Meme Manyetik Rezonans Görüntülemede Lezyon Sınırlarının ve Alanının Tespit Edilmesi

Transkript

1 SAKARYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DERGİSİ SAKARYA UNIVERSITY JOURNAL OF SCIENCE e-issn: X Dergi sayfası: Geliş/Received Kabul/Accepted Doi /saufenbilder.3604 Meme Manyeti Rezonans Görüntülemede Lezyon Sınırlarının ve Alanının Tespit Edilmesi Sevda GÜL 1, Göçen ÇETİNEL * ÖZ Bu çalışmada, meme anserinin teşhisinde yaygın olara ullanılan modalitelerden biri olan MRG sisteminden elde edilen görüntüler ullanılara memede oluşan lezyonların sınırlarının belirlenmesi ve lezyon alanının hesaplanmasına yöneli bir sistem geliştirilmiştir. Geliştirilen sistem, radyologlara büyü olaylılar sağlayan ve birço değiştirilebilir seçene sunan bir ara yüz üzerinden tasarlanmıştır. Lezyon sınırlarının belirlenmesi ve alanının optimum şeilde hesaplanması için çalışmada dört farlı yöntemden yararlanılmatadır. Bu yöntemler, eşileme tabanlı (Otsu eşileme yöntemi), bulanı mantı tabanlı (bulanı c-ortalama (Fuzzy c-means, FCM)), bölge büyütme tabanlı (Region Growing, RG) ve ümeleme tabanlı (-ortalama) segmentasyon yöntemlerdir. Otsu, FCM ve RG yöntemleri te anallı gri-seviye bölütleme yöntemleridir. K-ortalama yöntemi ise, üç-anallı renli görüntüde doğrudan ullanılabilen bir bölütleme yöntemidir. Segmentasyon adımdan sonra, lezyon alanının hesaplanması için bit-dörtlüsü (bitquad) yöntemi uygulanmıştır. Bu aşamalar gerçeleştirilditen sonra geliştirilebilir bir hastane otomasyon sistemi tasarlanmıştır. Tasarlanan sistem uzmana görsel olara farlı seçeneler sunara meme lezyonlarını birço yönden inceleme imânı sağlamatadır. Anahtar Kelimeler: Meme anseri, Manyeti rezonans görüntüleme, segmentasyon, bit dörtlüsü yöntemi. Detection of Lesion Boundaries and Area in Breast Magnetic Resonance Imaging ABSTRACT In this study, we have developed a system for determining the boundaries of the lesions which come into existence in the breast and calculating the lesion area by using images obtained from the MRI system, which is one of the modalities widely used in diagnosis of the breast cancer. The developed system is designed with an interface that provides great convenience to the radiologists and offers many interchangeable options. In order to determine the boundary of the lesion and to calculate the area optimally, in this study four different methods are utilized. These methods are thresholding based (Otsu thresholding method), fuzzy logic based (fuzzy c- means, FCM), region growing based (Region Growing, RG) and cluster-based (-means) segmentation methods. The Otsu, FCM and RG methods are single-channel gray-level segmentation methods. In case, the -means method is a method of segmentation that can be used directly 1 gulsewda@hotmail.com, gcetinel@saarya.edu.tr * Corresponding Author 0108

2 in a three-channel color image. After the segmentation step, a bit-quad method is applied to calculate the lesion area. After these stages are implemented, a developable hospital automation system is designed. The designed system allows the specialist to analyse the breast lesions by providing different visual choices. Keywords: Breast cancer, Magnetic resonance imaging, segmentation, bit quad technique. 1. GİRİŞ (INTRODUCTION) Kanser Araştırmaları Dünya Sağlı Örgütü Uluslararası Ajansı nın elde ettiği verilere göre, meme anseri tüm dünyada adınlarda en yaygın olara arşılaşılan anser türlerinden biridir. Gelişmiş ülelerde , gelişmete olan ülelerde ise yalaşı adın meme anserine yaalanmıştır [1-]. Ayrıca birço ülede adınlarda anserle ilgili ölümlerin en önemli nedeni meme anseridir ve sayı yalaşı olara dir. Türiye de ise T.C. Sağlı Baanlığı, Türiye Kanser İstatistileri verisine göre adınlarda en sı görülen anser olan meme anseri, her 4 adından birinde görülmeye devam etmete ve adınlarda görülen tüm anserlerin yalaşı %30 unu oluşturmatadır. Bir yıl içinde toplam adına meme anseri teşhisi onulmuştur []. Meme anserini tanımlamada meme hücrelerinin ontrolsüzce büyümesi olara genel bir ifade ullanılabilmetedir. Anca, meme anserini daha iyi anlama için bir anser hücresinin nasıl geliştiğini öğrenme bize daha fazla yarar sağlayacatır. Kanser; mutasyon, anormal değişililer, hücrelerin büyümesini düzenleyen ve onları sağlılı tutan genlerde değişililerin meydana gelmesi ile oluşmatadır. Genler, her hücrenin çeirdeğinde bulunmatadır ve hücrelerin ontrol odası olara işlev görmetedir. Normalde, vücudumuzdai hücreler düzgün bir hücre büyümesi süreciyle yenilenmetedir. Yaşlı hücreler ölüren sağlılı yeni hücreler onların yerini alara yenileme düzeni taip edilir. Faat mutasyonlar zamanla bir hücrede bazı farlı genler oluşturabilir ya da mevcut genleri yo edebilir boyuta gelmetedir. Bu değişen hücreler, ontrolü ve düzeni bozmadan bölünmeyi sürdürebilme yeteneği azanara, tıpı mevcut genler gibi daha fazla hücre üretebilir ve bir tümör oluşturabilir duruma gelebilir. Bir tümör, sağlı için tehlieli olmayan iyi huylu benign veya potansiyel tehlie olan ötü huylu malign tümör olara sınıflandırılabilir. İyi huylu tümör anser hücresi olara düşünülmemetedir. Çünü bu hücreler normal hücre görüntüsüne yaın bir görünüm sergilemete, yavaş büyümete ve yaın douları ele geçirmemete veya vücudun başa bir bölümüne yayılmamatadırlar. Kötü huylu tümör ise bir anserdir. Kontrolsüz bıraıldılarında ötü huylu hücreler er geç mevcut bulunan tümörün ötesine geçere vücudun diğer bölümlerine yayılabilmetedir. Meme anseri terimi, meme hücrelerinde gelişen ötü huylu tümöre arşılı gelmetedir. Genellile meme anseri ya süt üretme hücrelerinde ya da sütü, süt üretme bezesinden meme ucuna taşıyan bölümde başlamatadır. Daha az oranla da meme anseri, göğsün yağlı ve lifli bağ doularını içeren ana (stromal) doularında başlayabilmetedir. Şeil 1. Meme yapısının görünümü (The apperance of breast) [3]. Meme yapısının genel bir görünümü yuarıdai şeilde verilmiştir. Şeil 1 de, A sütü süt üretme bezesinden meme ucuna taşıyan bölümü, B süt üretme bezesini, C sütü tutma için analın açılı ısmını, D meme ucunu, E,yağı, F Petoralis büyü ası ve G göğüs duvarını göstermetedir. Genişletilmiş olan ısımda ise A sütü süt üretme bezesinden meme ucuna taşıyan bölüm, B bazal zar (membran) ve C ise sütü süt üretme bezesinden meme ucuna taşıyan bölümün merezi olara açılanabilir. Kanser hücreleri zamanla sağlılı göğüs dousuna ve vücuda dışarıdan gelece yabancı maddeleri filtreleyen oltu altı lenf düğümlerine (nodlarına) yayılabilmetedir. Eğer anser hücreleri lenf düğümlerine bir giriş sağlarsa, daha sonra vücudun diğer ısımlarına doğru bir yol izleyebilmetedir. 0109

3 Meme anseri evresi, anser hücrelerinin mevcut tümörün ne adar ötesine yayılmış olduğu tespit edilere belirlenmetedir. Meme anseri genellile geneti bozululardan meydana gelmetedir. Kanserin sadece %5-10 u anne veya babadan gelen alıtsal bir anormalliten aynalanmatadır. Meme anseri risini azaltma için dengeli bir diyetle beslenme, vücut için uygun iloyu sürdürebilme, sigara içmeme, alolü sınırlandırma ve düzenli egzersiz yapma gibi vücudun olabildiğince sağlılı almasına yardımcı olaca her bireyin atabileceği adımlar vardır. Bunlar, meme anseri olma risi üzerinde bir eti sahibi olsa da, risi tamamen ortadan aldıramazlar. Günümüzde meme anseri incelemelerinde yaygın olara ullanılan üç teni vardır. Bunlar mamografi, ultrasonografi ve manyeti rezonans görüntüleme (MRG) dir. Meme tümörlerinin tespit edilmesinde MRG yöntemi yaygın olara ullanılmatadır. MRG yöntemi memede var olabilece anormallilerin incelenmesinde diğer modalitelere göre avantajlara sahip olduğundan daha fazla tercih edilmetedir. MRG teniğinin ullanıldığı alanlardan biri, sunulan çalışmanın da onusu olan meme lezyon sınırlarının belirlenmesi ve lezyon alanının tespitidir. Bu amaçla, görüntü işleme tenilerinden biri olan segmentasyon işleminden faydalanılmatadır. Segmentasyon ile ilgili bu alanda yapılan çalışmalar ii ana amaç altında toplanmatadır. Birinci grup meme anser risinin bir göstergesi olan meme yoğunluğunun hesaplanması için önerilen segmentasyon yöntemlerinden oluşmatadır. Meme yoğunluğunda bazı tipi durumlar endi lasi görünümlerine göre belli sınıflara olaylıla ayrıştırılabilir faat bazı durumların sınıflandırılması radyoloji uzmanları için olduça zor ve afa arıştırıcıdır. Atipi durumlar olara adlandırılan bu durumları sınıflandırma için meme görüntüleme değerlendirmelerinde standartizasyonu yaalama amacıyla Amerian Radyoloji Derneği (ACR) tarafından il basısı 1993 de ve son basısı Şubat 014 de hazırlanan Breast Imaging and Reporting Data System (BI- RADS) ullanılmatadır. BI-RADS, MRG de saptanan lezyonlar için değerlendirme riterlerini ve izlenece yolları tanımlamatadır. Atipi durumlar için BI-RADS sınıflandırmasını estirme olay değildir ve bu nedenle değerlendirme için bir Bilgisayar Desteli Tanı (Computer Aided Diagnosis, CAD) sistemine ihtiyaç duyulur. İinci grup ise memedei tümör alanının belirlenmesi için sunulan yöntemleri içermetedir. [4] de meme paranimindei anormallilerden doğan meme anserinin tespit edilmesi için MR görüntülerinin üç boyutlu olara yeniden oluşturulmasına dayalı bir yöntem sunulmuştur. Segmentasyon işlemi ii boyutlu MR görüntülerine uygulanmış, daha sonra görüntüler yeniden üç boyuta dönüştürülmüştür. Amaç iyi bir segmentasyon işlemi gerçeleştirere yalancıpozitifleri ortadan aldırmatır. Çalışmada öncelile meme enarlarına ait piseller tespit edilmiştir. Daha sonra filtreleme işlemlerini izleyen bir K-means algoritması ullanılara tümör alanının segmentasyonu sağlanmıştır. Meme onturunu ve tümörü içeren ilgili bölge (Region of Interest, ROI) belirgin hale getirilmiştir. Anca, çalışmada incelenen tümör türü, veri tabanı ve performans arşılaştırması bilgisi verilmemiştir. Bu alanda Fooladivanda ve eibi tarafından ii çalışma yapılmıştır. [5] de meme MR görüntülerinde otomati meme ve fibroglandüler dou segmentasyonu için yerel adaptif eşileme yöntemi ullanılmıştır. Çalışmada 45 adından 56 esitte olma üzere toplam 50 bileteral axial görüntü alınmıştır. Görüntüler T1 ağırlılı yağ-basısız görüntülerdir. Manuel ve otomati segmentasyon sonuçları beş farlı ölçüt ullanılara ıyaslanmıştır. Bu ölçütler şu şeilde tanımlanmatadır: Zar Benzerli Katsayısı (Dice Similarity Coefficient, DSC) ve Jaccard Katsayısı (Jaccard Coefficient, JC) ortalama örtüşme ve bileşi örtüşme olara bilinen otomati ve manuel segmentasyon sonuçlarının benzerliğini değerlendirme için ullanılan ölçütlerdir. Toplam örtüşme, hassasiyeti değrlendirme için bu ii ölçütten hesaplanır. Yalancı-Negatif (False-Negative, FN), otomati olara ayrıştırılan hacme ait olmayan manuel olara segmente edilmiş alan oranıdır. Yalancı- Pozitif (False-Positive, FP) ise manuel olara segmente edilmiş alana ait olmayan otomati olara ayrıştırılmış alan oranıdır. FN ve FP ölçütleri literatürde yaygın olara ullanılan önemli ölçütlerdir. [6] da bir atlas tabanlı meme segmentasyon yöntemi sunulmuştur. Atlas tabanlı meme segmentasyon yöntemlerinin çoğunda meme alanı bir şablon olara ullanmatadır. Ayrıca, verilen bir durum için hedef görüntüye en uygun atlasın seçilmesi geremetedir. Bu yalaşımlar hesap yüünü olduça artırmatadır. Atlas tabanlı yalaşımların hesap yüünün düşürülmesi amacı ile birço yöntem önerilmiştir. Bu çalışmada hem göğüse ait aslar hem de göğüs 0110

4 afesi bölgesi modeli şablon olara ullanılmıştır. Yöntem 50 adından 56 esitte alınan 800 bileteral axial görüntü üzerinde uygulanmıştır. Yine verilen beş ölçüt ullanılara performans değerlendirilmiştir anca yöntemin performansı diğer çalışmalarına ıyasla daha düşütür. [7] de amaç meme yoğunluğunu otomati olara hesaplayan atlas tabanlı bir yöntem geliştirmetir. Öncelile, vücut-meme ve göğüs boşluğu-meme yüzeyleri otomati olara belirlenere meme segmentasyonu sağlanmıştır. Daha sonra, meme alanında Belenti Masimizasyonu (Expectation Maximization, EM) algoritması uygulanara fibroglandüler dou segmentasyonu gerçeleştirilmiştir. Fibroglandüler dou segmentasyonu için herbir memede farlı eşi ullanılması geremesine rağmen çalışmada te bir eşi ullanılmıştır. 50 durum içeren manuel segmentasyon sonuçları arşılaştırma amaçlı değerlendirilmiştir. Elde edilen sonuçlara göre yöntem, Fooladivanda ve aradaşları tarafından sunulan yönteme ıyasla daha az etilidir. [8] de 3D-MR görüntülerinde sadece meme sınırlarını belirleme amacıyla atlas-tabanlı bir segmentasyon yöntemi önerilmiştir. Yöntem diziler-içi ve diziler-arası olma üzere ii onfigürasyona sahiptir. İlinde atlas ve test görüntüsü aynı görüntüleme protoolünden iincisinde ise farlı görüntüleme protoollerinden alınmıştır. Yöntemin diğer atlas tabanlı yöntemlerden daha iyi sonuçlar verdiği gösterilmiştir. Atlas tabanlı yöntemler genellile ışı şiddeti tabanlı ayıt tenilerine dayalı yöntemlerdir. Anca, farlı MRG tarayıcıları farlı ışı şiddeti ayarlarına sahip oldularından görüntülerin parlalı dağılımları da farlıdır. Ayrıca, farlı amaçlar için birço farlı MRG protoolü de ullanılmatadır. Oluşturulan görüntü atlası sadece bir tarayıcıya ve protoole aittir. Örneğin, meme görüntülerinde T1 ağırlılı, T1 yağ basılı ve T ağırlılı diziler ullanılabilir. Tüm durumlar için ullanılabilece bir atlas görüntü ümesi oluşturma için uzmanın ço uzun bir zaman uğraşması geremetedir. Ribes ve aradaşları tarafından yapılan bir çalışmada gürültü giderme adımından sonra istatistisel segmentasyon gerçeleştirilmiştir. Gürültü gidermede anizotropi difüzyon yöntemi, istatistisel segmentasyonda ise Marov rastgele alan modeli ullanılmıştır. Önce senteti veri üzerinde daha sonra sadece on hastaya ait meme MR görüntüleri üzerinde çalışılmıştır. Hesap yüünü azaltma için sadece uzman tarafından belirlenen ilgili hacim (Volume of Interest, VOI) diate alınmıştır. Yöntemin gürültü giderme adımı ile -ortalama ve FCM yöntemlerinden daha iyi sonuçlar verdiği gösterilmiştir. Anca, çalışmanın daha geniş veri ümeleri ve daha uzun taip süreleri için geliştirilmesi geremetedir [9]. Son olara [10] de MR görüntülerinde meme bölgesinin belirlenmesi için lasi ve ço-evreli hücresel sinir ağlarının (Cellular Neural Networ, CNN) performansı arşılaştırılmıştır. Bu amaçla sağlılı 3 adından T ağırlılı bilateral axial yağ basılı görüntü alınmıştır. İstatistisel analizler sonucu ço-evreli CNN yönteminin daha iyi sonuçlar verdiği gösterilmiştir. Bu çalışmada, meme anserinin teşhisinde ve eren tanısında yaygın olara ullanılan modalitelerden biri olan MRG sisteminden elde edilen görüntüler ullanılara memede oluşan lezyonların sınırlarının belirlenmesi ve lezyon alanının hesaplanmasına yöneli bir sistem geliştirilmiştir. Sistem, radyologlara büyü olaylılar sağlayan ve birço değiştirilebilir seçene sunan bir ara yüz üzerinden tasarlanmıştır. Lezyon sınırlarının belirlenmesi ve alanının optimum şeilde hesaplanması için, eşileme tabanlı, bulanı mantı tabanlı, bölge büyütme tabanlı ve ümeleme tabanlı olma üzere dört farlı yöntemden yararlanılara bir hastane otomasyon sistemi tasarlanmıştır. Çalışma şu şeilde organize edilmiştir: iinci bölümde eşileme tabanlı yöntemlerden Otsu eşileme yöntemi, bulanı tabanlı yöntemlerden bulanı c- ortalama yöntemi, bölge büyütme yöntemi ve ümeleme yöntemlerinden -ortalama yöntemi tüm adımları ile açılanmıştır. Otsu, FCM ve RG yöntemleri te anallı gri-seviye bölütleme yöntemleridir. K-ortalama yöntemi ise, üç-anallı yani renli görüntüde doğrudan ullanılabilen bir bölütleme yöntemidir. Bölüm 3 de lezyon alanının hesaplanması için ullanılan bit-dörtlüsü (bitquad) yöntemi tartışılmıştır. Tasarlanan geliştirilebilir hastane otomasyon sistemi ise Bölüm 4 de tanıtılmıştır. Son olara Bölüm 5 de sistem sayesinde elde edilen sonuçlar ve yapılması planlanan çalışmalar tartışılmıştır. 0111

5 . MEME MR GÖRÜNTÜLERİNDE LEZYON SINIRLARININ BELİRLENMESİ (DETECTION OF LESION BOUNDARIES IN BREAST MR IMAGES) Segmentasyon işlemi, bir görüntüyü benzer özellilere sahip bölgelere ayırma işlemidir. Segmentasyon için en temel özelli monorom görüntüler için görüntü parlalığının genliği, renli görüntüler için ise ren bileşenleridir. Ayrıca görüntünün enar ve dou özellileri de segmentasyon için faydalı bilgiler sağlamatadır. Görüntü segmentasyonu için temel bir teori yotur. Bunun bir sonucu olara, görüntü segmentasyonunda ullanılan te bir yöntem de yotur. Anca, probleme göre geliştirilen (ad-hoc) ve popülerli azanmış birço yöntem mevcuttur. Yöntemler probleme göre geliştirildiğinden, performanslarını belirleme için bazı uygulamalar yapma geremetedir. Haralic ve Saphiro iyi bir segmentasyon için şu ifadeyi ullanmışlardır: Bir görüntü segmentasyonunun bölgeleri grili seviyesi ya da dou gibi bazı arateristiler açısından düzenli ve homojen olmalıdır. Bölgelerin iç ısımları basit olmalıdır ve ço sayıda üçü deli içermemelidir. Segmentasyonda ard arda gelen bölgeler olduça farlı değerlere sahip olmalıdır. Her bir segmentin sınırları belirgin ve uzmansal olara düzgün olmalıdır. Haralic ve Saphiro tarafından belirlenen riterleri ölçen herhangi bir nitelisel görüntü segmentasyon performans metriği maalesef henüz geliştirilmemiştir [11]. Segmentasyon işlemi, görüntü işlemedei temel adımlardan biri olara düşünülmetedir. Sayısal görüntüleri analiz etme için görüntüyü birden fazla bölgeye ayırma ve bölgeleri sınıflandırma için ullanılır. Görüntü segmantasyonu için genel birço yöntem sunulmuştur. Bu yöntemleri özetleyen inceleme çalışması (sörvey) [1] de verilmiştir. Bu çalışmada eşileme tabanlı, bulanı mantı tabanlı, bölge büyütme ve ümeleme tabanlı olma üzere dört farlı segmentasyon algoritması ullanılmıştır. Eşileme yöntemleri istenilen sınıfları ayırma için eşi olara adlandırılan bir şiddet (intensity) değeri belirlemeyi amaçlayan yöntemlerdir. Segmentasyon, eşiğin üzerindei şiddete sahip olanları bir gruba diğer tüm piselleri başa bir gruba atayara gerçeleştirilir. Eşileme görüntü işleme uygulamalarında genellile il adımdır. En önemli sınırlaması ço anallı görüntülere uygulanamamasıdır. Ayrıca, eşileme görüntünün uzamsal özellilerini diate almaz. Bu da MR görüntülerinde meydana gelebilen gürültü ve homojen dağılmayan görüntü şiddetlerine arşı hassasiyetin artmasına, dolayısıyla histogramın bozulup ayrıştırma işleminin zorlaşmasına neden olmatadır. Sonuç olara, medial görüntü segmentasyonu için lasi eşileme yöntemlerine ilave parametreler elenmelidir. Bölge büyütme, daha önceden tanımlanmış bir taım riterlerle bağlanmış bir bölgeyi görüntüden çıarma için ullanılır. Krtiter, şiddet bilgisine ve/veya görüntüdei enarlara bağlıdır. En basit haliyle bölge büyütme, operatör tarafından manuel olara seçilen bir çeirde notadan başlayara bu başlangıç notasıyla aynı şiddette olan tüm piselleri bağlayıp gidere büyüyen bir bölge oluşturmatır. Eşileme gibi, bölge büyütme de te başına ullanılmaz anca görüntü işleme adımları arasında özellile tümör ve lezyonlar gibi basit yapıların nitelendirilmesinde ullanılmatadır. Kümeleme yöntemleri eğitimli veri dışında sınıflandırma yöntemleri ile aynı fonsiyonu gerçeleştirirler. Bu nedenle denetimsiz (unsupervized) yöntemler olara da adlandırılırlar. Eğitim verisi olmayışını dengeleme amacıyla ümeleme yöntemleri, görüntüyü bölme ve her bir sınıfın özellilerini araterize etme arasında bir yineleme yapar yani endi endini eğitir. En yaygın olara ullanılanları -ortalama (ISODATA) algoritması, bulanı c-ortalama algoritması ve EM algoritmasıdır. Kümeleme algoritmaları bir başlangıç parametresi geretiriren EM algoritması diğerlerine göre başlangıç parametre değerine arşı daha hassastır. Kümeleme algoritmaları MR görüntülerde daha ço tercih edilir ve iyi sonuçlar verir. Gürültüye arşı dayanılılı Marov Rastgele Alan Modelleri (Marov Random Field, MRF) ile birlite ullanılara artırılabilir. Bu genel bilgiler ışığında, sunulan çalışmada tercih edilen segmentasyon tenileri aşağıda detayları ile tartışılmıştır..1. Eşileme Tabanlı Otsu Segmentasyon Yöntemi (Thresholding Based Otsu Segmentation Method) Meme MR görüntülerinde gözlemlenen lezyonların sayısı bir veya birden ço olabildiğinden, Otsu yöntemi çalşımamızda tercih edilen yöntemlerden biridir. Tüm meme MR görüntüleri için geçerli te bir eşi değer mevcut 011

6 değildir. Geçmiş deneyimlere dayalı olara bir eşi seviyesi belirlenir anca bu durumda da yapılan işlemin bilimsel bir dayanağı olmamatadır. Bu sebeple adaptif eşileme yöntemi olan Otsu eşileme yöntemi tercih edilmetedir. Otsu eşileme yöntemi, istatistisel ayırt etme analizinde de ullanılan bilinen bir ölçüm olan varyansı masimum yapma amacıyla gerçeleştirilen en uygun yöntemdir. MxN pisel boyutlu sayısal bir görüntüde farlı yeğinli seviyesi 0,1,,, L 1 ile ifade edilsin. yeğinli seviyesine sahip pisellerin sayısını göstersin. Görüntüdei pisellerin toplam sayısı MN n0 n1 n nl 1olara hesaplanır., i. yeğinli seviyesine sahip pisellerin olasılıları olma üzere aşağıdai eşitli geçerlidir. L n i de L1 Pi 1,Pi 0 (1) i0 Verilen bir görüntüyü iili bir eşileme işlemine tabi tutma istediğimizi varsayalım. İl olara, giriş görüntüsü gibi ii sınıfa eşileme c 1ve c için eşi değerleri belirlenir. Örneğin, c 1 görüntüde 0, aralığındai yeğinli seviyelerine sahip piselleri ve c de P i i. 1, L 1 arasındai yeğinli seviyeli pisel değerine arşılı gelsin. Belirlenen eşi seviyesini ullanara, bir piselin P ile temsil c 1 sınıfına atanma olasılığı 1 edilmetedir. 1 i0 P1 şu şeilde ifade edilir: P() P () i c 1 Denlem (), sınıfı için oluşan olasılıtır. sınıfı için oluşan olasılı ise Denlem (3) de verilmiştir. L1 P () P 1 P() (3) i 1 i1 c 1 sınıfına atanan pisellerin ortalama yeğinli değerleri aşağıda ifade hesaplanmıştır: c c sınıfına atanan pisellerin ortalama yeğinli değeri benzer şeilde hesaplanabilir: L1 L1 1 m () ip(i/ c ) ip i (5) i1 P () i1 seviyesine adar olan ümülatif yeğinli ortalamasını hesaplama için m() ip (6) i0 i ullanılır. Yuarıda verilen eşitlilerden faydalanara görüntünün tamamı için ortalama yeğinli, m G L1 ip Veya P1. m1 P. m mg, i0 i PP 1 1 (7) ile verilir. Belirlenen eşilerin doğruluğunu değerlendirme için aşağıda η ile gösterilen riter ullanılır. sabit tutulduğunda, yi artırma ayırt etme özelliğini masimuma taşımatadır. B G Q G Q B Q (8) Q Denlem (8) de, Q G Q B, sınıflar arası varyansı ve global varyansı ifade etmetedir. Varyans değerleri aşağıda verilen denlemde hesaplanmıştır: Q (m. P m) PP (m m ) (1 ) G 1 B 1 1 P1 P1 L1 G (i G) i i0, Q 0, Q m P (9) Elde edilen eşi değerinin görüntüyü istenildiği gibi bölgelere ayıramaması durumunda eşi değerleri güncellenmelidir. Segmentasyon yöntemlerinden belendiği gibi, sınıf arası varyansı masimum yapan eşi değerinin güncellenmesi için, B 1 m () ip(i/ c ) i(c / i)(p(i) / P(c )) ip 1 i i0 P1 () i0 i (4) 0113

7 Q (10) () () B Q G uzmanlarının lezyon alanını en belirgin hale getiren eşi seviyesini seçmelerine olana sağlanmatadır. Q [m. P() m()] () ()] G 1 B P1()[1 P1 (11) eşitlileri ullanılır. Denlem (10) dai ifadeyi masimum yapan değeri şu şeilde belirlenir: * Q (*) max Q (), 0 L 1 (1) B B * Denlem (1) de bulma için nın bütün tamsayı değerleri için 0 P1 () 1 aranır ve max Q () yi veren değeri tespit edilir. Seçilen B değeri için giriş görüntüsü (13) dei işlem uygulanara eşilenir. 1, f(x, y) g(x, y) 0, f(x, y) * * f (x, y) Denlem (13) Burada g(x,y) eşileme işleminden sonra elde edilen görüntüdür [13]. Yuarıda anlatılan adımlar ii sınıf Otsu eşileme yöntemi için verilmiştir. Çalışmada, masimum sınıf sayısı seiz olana adar ullanıcının istediği eşilemeyi yapabilece bir uygulama gerçeleştirilmiştir. Yuarıda verilen adımlarda eğer sınıf sayısını arttırma isterse adımlar sınıf sayısına göre terar uyarlanmalıdır. Örneğin, üç sınıf için eşileme yapılırsa, 1 1 L ii eşi seviyesi belirleme gerelidir. Bu değerler görüntüye uygulandığında c 1 [1,,..., 1 ], c [1 1,..., ] c [ 1,...,L] olma üzere üç sınıf elde ve 3 edilir. Ayırt ediciliği ölçme için Q B () riteri ve değerlerine sahip bir fonsiyon olacatır. Dolayısıyla, * Q B () yi masimum yapan 1 * 1 ve eşileme seviyesi belirlenir. Son olara, en uygun eşi seviyeleri ullanılara görüntü istenilen yeğinli sınıflarına ayrıştırılır [14, 15]. Şeil de ötü huylu lezyon bulunan orijinal meme MR görüntüsü yer almatadır. Görüntüde sol memede ötü huylu lezyon bulunmatadır. Yapılan örne uygulamada ullanılan Otsu eşileme yöntemiyle ii eşi değerinden başlayara seiz eşi değerine adar olan ümeleme işlemi gerçeleştirilmiştir. Bölüm 4 de açılanan ara yüz vasıtası ile radyoloji Şeil. Kötü huylu lezyon bulunan meme MR görüntüsü (Breast MR image with malignant lesion) [16]. Şeil 3 de Otsu eşileme yönteminin ii eşi değerinden seiz eşi değerine adar olan görüntüleri verilmiştir. Birinci satır birinci sütunda orijinal görüntü yer almatadır. Şeilde n sembolü ile ifade edilen eşi sayısıdır. Örneğin, n olara seçildiğinde görüntü bir ve sıfır içeren ii ısma ayrılmatadır. Diğer adımlarda da bu işlem terarlanara farlı görüntüler elde edilmiştir. Her görüntüde en iyi görüntülemeyi sağlayan te bir eşi değeri yotur. Bu nedenle Bölüm 4 de açılanan hastane otomasyon sisteminde işlemler radyoloji uzmanının istediği gibi seçebileceği şeilde ayarlanmıştır. Bu seçene, lezyon sınırlarının daha net olara belirlenmesini sağlamatadır. Lezyon sınırları gerçeğe yaın olara belirlendiğinde, meme anserinin teşhis ve tedavisi için uzmanlara e bilgi sağlanmatadır. n 1adet eşi değeri atanara.. Bulanı Mantı Tabanlı c-ortalama (FCM) Yöntemi (Fuzzy Logic Based c- Means (FCM) Method) FCM yöntemi, tıbbi görüntüler için iyi segmentasyon sonuçları veren denetimsiz öğrenme yöntemlerinden biridir. Bu yöntemin bir amaç fonsiyonu vardır ve bu amaç fonsiyonuyla ilgili bazı öçütler tespit edilmiştir. FCM yöntemindei amaç fonsiyonu genel olara, rastgele atanan başlangıç değerlerine ait ümeler oluşturulmata ve aynı ümedei benzer veri değerleri gruplanmatadır. Fonsiyon, belirlenen hata değerine ulaşıncaya adar gruplama işlemi devam etmetedir [17, 18]. FCM algoritmasının ana adımları şu şeilde açılanabilir. İl adımda E ile gösterilen amaç fonsiyonu elde edilmetedir. 0114

8 D N ij i j j1 i1 E x c (14) Denlem (14) de, D ve N sırasıyla x i nin veri notaları ve veri ümeleridir., bulanı örtüşme derecesini ontrol etme için bulanı bölüm matris üssü olara tanımlanmatadır. Ayrıca, ümenin merezini, ij üyeliğinin derecesini belirtmetedir. c j ise j. ümedei İinci adımda ümeleme adımı başlar. Başlangıçta üyeli matrisi rastgele atanır. Kümelerin merezleri Denlem (15) de verilen ifade ile hesaplanır. c i D j1 D j1 i j x ij j j. x i (15) ij c 1 x c ( ) x c m1 j m j i / 1 (16) Son adımda ise, öncei matrisi yeni matrisi ile arşılaştırılır ve belirlenen hata değerine ulaşıncaya adar bu işlem adımları terar edilir. FCM algoritması tıbbi görüntülerde etili bir şeilde ullanılmatadır. Kötü veya bozu görüntüler olması halinde bile etili sonuçların üretilmesinde yararlı olduğu anıtlanmıştır [39]. MR görüntüleri için hızlı ve güvenilir sonuçlar ürettiği için çalışmada FCM yöntemi de ullanılmıştır. Otsu yöntemi ile ıyaslayabilme için Şeil 3 de verilen görüntü terar FCM yöntemi ile de ayrıştırılmıştır. Sonuçlar Şeil 4 de gösterilmiştir. Üçüncü adımda, hesaplanan merez değerleri ullanılara, aşağıda ifade ile değeri güncellenir. ij Şeil 4. FCM yöntemi uygulanmış ötü huylu lezyona sahip meme MR görüntüsü (FCM appiled breast MR image that have malignant lesion). Şeil 3. Otsu yöntemi uygulanmış ötü huylu lezyon bulunan meme MR görüntüsü (Otsu method applied breast MR image with malignant lesion). Şeil 4 birinci satir birinci sütunda orijinal görüntü yer almatadır. n sembolü sınıf sayısını belirtmetedir. Sınıf sayısı iiden başlayara seize adar arttırılmatadır. n 8 olan görüntüde ötü huylu lezyon sınırlarının net bir şeilde ortaya çıtığı görülmetedir. Burada, FCM her 0115

9 iterasyonda piselleri ümeleyere görüntüdei ilgisiz pisellere dire olara sınıf değerini atamatadır. Ayrıca lezyon bulunan pisellere bir değerini atayara ii seviyeli görüntüde lezyonun sınırlarını net bir şeilde ortaya çıarmatadır..3. Bölge Büyütme Tabanlı Segmentasyon Yöntemi (Region Growing Based Segmentation Method) Bölge büyütme tabanlı segmentasyon yöntemi, büyütme için önceden belirlenmiş ölçütler doğrultusunda pisel veya alt bölgeleri daha büyü bölgelere genişletip gruplamayı amaçlayan bir yöntemdir. Temel olara çalışma mantığını şu şeilde açılanabilir; Başlangıçta bir nota ümesi belirlenir ve bu notalardan başlayara benzer özellilere sahip olan omşu piseller gruba dâhil edilir. Böylece bölge gidere büyür ve istenen gruplama sağlanınca işlem sona erer. Şimdi yöntemin nasıl uygulandığını temel adımları ile açılayalım. f(x,y)giriş görüntüsü ve S(x,y)başlangıç üme notaları olan yerlerde pisel değeri 1 diğer yerlerde pisel değeri 0 olan bir başlangıç nota ümesini ifade etsin. Q ise her bir (x,y) notasında sağlanması gereen oşulu temsil etsin. 8-bağlılığa dayalı temel bir bölge büyütme segmentasyon yönteminin temel adımları şu şeilde verilebilir: i) S (x, y) içerisinde 8-bağlılığı olan bileşenler belirlenir ve her bağlı olan bileşen bir gruba atanır. Bağlılığı olan pisel değerleri 1 olara temsil ediliren, diğer piseller 0 ile temsil edilmetedir. ii) Görüntüde (x, y) oordinatında bir görüntüsü oluşturulur. Eğer giriş görüntüsü bu oordinatlarda verilen Q oşulunu sağlarsa f (x, y) 1 olara görüntü değeri Q atanır. Diğer durumlarda fq(x, y) 0 olara belirlenmetedir. iii) Belirlenen nota ümesine 8-bağı bulunan f içinde yer alan bütün 1 değerli piseller Q S içerisindei her bir başlangıç notasına ilave edere bir g görüntüsü elde edilmetedir. iv) g içerisinde gruplanan bölgelere her nota ümesi için 1,,3 vb. gibi etietler verilere bölge büyütme ümeleri belirlenip yeni görüntü elde edilmetedir [1]. f Q Bölge büyütme yöntemi tümörler ve lezyonlar gibi üçü veya basit yapıların belirlenmesinde te başına ullanılmamatadır. Çünü bölge büyütme işleminin gerçeleşebilmesi için başlangıç nota ümelerinin manuel olara belirlenmesi geremetedir. Sunulan çalışmada gözle görülen büyülütei lezyon sınırlarını belirleme için bölge büyütme teniğinden faydalanılmıştır. Başlangıç notaları manuel olara lezyonun bulunduğu tahmin edilen bölgedei onumlar olara seçilmiştir. Bölge büyütme yöntemi görüntüyü bütün olara tarama yerine belirlenen bölgeden başlayara taradığı için süre olara avantaj sağlamatadır. Daha önce verilen segmentasyon yöntemleri ile ıyaslama amacıyla aynı görüntü için bölge büyütme teniği uygulanmıştır. Şeil 5 da bölge büyütme yöntemi uygulanmış MR görüntüsü verilmiştir. Şeil 5. Bölge büyütme algoritması uygulanmış meme MR görüntüsü (Region growing algorithm applied breast MR image). Görüntüde tümör bölgesinde oordinatı verilere başlangıç notası belirlenmetedir. Daha sonra algoritma adımları devam edere Şeil 5 dei görüntü elde edilmiştir. Bu yöntem, diğer ii yöntemle ıyaslandığında süre baımından ço daha hızlı sonuç vermetedir. Anca başlangıç notasının ullanıcı tarafından girilmesi bu yöntemin bir dezavantaj olara düşünülebilir..4. Kümeleme Tabanlı -Ortalama Yöntemi (Clustering Based -Means Method) Kümeleme tabanlı segmentasyon yöntemleri, sınıflandırma yöntemlerinin tersine eğitim verilerini ullanmadan segmentasyon işlemi gerçeleştiren yöntemlerdir. Bu nedenle, üme yöntemlerine denetimsiz yöntemler de denilmetedir. Eğitim verisinin esiliğini giderme için ümeleme yöntemleri görüntünün sınıflara ayrılması ve her sınıfın özellilerinin araterize edilmesi arasında bir yineleme işlemi 0116

10 yapmatadır. Kümeleme yöntemleri bir baıma, mevcut verileri ullanara endini geliştirmetedir. Çalışmada, -ortalama segmentasyon yöntemi de meme MR görüntülerinde lezyon tespiti ve sınırlarının belirlenmesi amacıyla ullanılmatadır. Bu yöntemin temel çalışma prensibi, her sınıf için terarlı bir ortalama yoğunlu hesaplayıp sınıf içindei her piseli en yaın ortalamasına göre sınıflandırara görüntüyü ümelemetir [19]. Diğer bir ifade ile görüntüyü adet parçaya ayırara, parça içi varyansı en üçü parçalar arası varyansı en büyü yapma amaçlanmatadır. - ortalama yönteminde başlangıçta bir değeri belirlenir ve segmentasyon sonucu -1 ümeye sahip bir görüntü elde edilir. Şimdi yöntemi açılayalım. Segmentasyon varyansı σ W aşağıdai gibi tanımlansın ullanılmıştır. Şeil 6 da da görüldüğü gibi lezyon sınırları olduça belirgindir. Şimdiye adar verilen segmentasyon yöntemleri sayesinde lezyon sınırları açı olara tespit edilebilmetedir. Segmentasyon işleminde bir yöntemin tüm görüntüler için en iyi sonucu veremeyeceği bilindiğinden sunulan çalışmada dört farlı yöntemle uzmana opsiyonel bir çalışma ortamı sağlanmatadır. Radyoloji uzmanı uygun gördüğü sonucu seçip lezyonun bulunduğu bölgeyi işaretleyere bir sonrai bölümde tartışılan alan hesaplama yöntemi sayesinde lezyonun alanını da hesaplama olanağına sahip olacatır. 1 w hi i i0 (17) burada hi rasgele bir piselin segmentasyonda i ümesine ait olma olasılığıdır. Si aralığındai değerler gri ren içermetedir.σ i, i. ümenin grili değerinin varyansı ve μ i, i. ümenin ortalama grili değeridir. İl olara, -1 adet eşi histogram üzerinde dağıtılmatadır. Diğer bir ifade ile grili seviyeleri eşit uzunluta parçaya bölünmetedir. Buna göre görüntü, belirlenen eşi değerlerine göre ümelere ayrılmatadır. Her üme bölümü için üme merezleri ve ümeyi oluşturan ii eşi arasındai yarıçap hesaplanmatadır. İinci adımda her üme için ortalama değer μ i hesaplanır. Küme merezleri hesaplanan μ i değerlerine sıfırlanır. Daha sonra, belirlenen değerler merez olara seçilere görüntü parçalara ayrılır. Yinelemeli olaraμ i terar hesaplanara aynı işlemler terar edilir. Küme merezleri artı hareet etmeyece düzeye geldiğinde işlem sonlandırılır [19]. Diğer yöntemlerden farlı olara -ortalama yönteminde üç anallı (R, G, B) görüntü ullanılmatadır. Elde edilen sonuçlar doğrultusunda diğer üç yönteme ıyasla gerçe değerlere en yaın olan sonuçların -ortalama yöntemi ile elde edildiği gözlemlenmiştir. Şeil 6 da -ortalama ümeleme yöntemi uygulanmış görüntü verilmiştir. Öncei yöntemlerle olay ıyas yapılabilmesi amacı ile aynı MR görüntüsü Şeil 6. -Ortalama yöntemi uygulanmış meme MR görüntüsü (-means method applied breast MR image). 3. MEME MR GÖRÜNTÜLERİNDE LEZYON ALANININ BELİRLENMESİ (DETECTION OF LESION AREA IN BREAST MR IMAGES) Bir görüntüde nesnelerin şelini araterize etme için birço nicelisel ve nitelisel teni geliştirilmiştir. Bu teniler, bir örüntü tanıma sisteminde nesneleri sınıflandırma için ve bir görüntü anlama sisteminde nesneyi semboli olara tanımlama için olduça faydalıdır. Tenilerden bazıları sadece ii seviyeli 0117

11 görüntülere uygulanıren diğerleri grili seviyeli görüntüler için de uygulanabilir hale getirilebilir. Öncei bölümde meme MR görüntülerinde lezyonun tespit edilmesi ve sınırlarının belirlenmesi amacıyla ullanılan segmentasyon tenileri tartışılmıştı. Bu bölümde amacımız sınırları belirlenen lezyonun apladığı alanı bulmatır. Segmentasyon adımından sonra elde edilen görüntülerdei verileri değerlendirme meme anseri teşhis ve tedavisi için büyü önem arz etmetedir. Meme anserinde lezyonun çevresi, alanı ve şeil bilgileri hastaya uygulanaca tedavi yönteminin belirlenmesinde ullanılmatadır. Dolayısıyla bu bölümde yapılaca işlemler ve elde edilen sonuçlar meme anseri değerlendirmelerinde radyologlar için olduça değerlidir. Şeil 7 (a) da ötü huylu lezyon bulunan orijinal bir MR görüntüsü verilmiştir. Lezyon sınırlarının belirlenmesi amacıyla görüntüye uygulanan segmentasyon yöntemi Otsu dur. Otsu da sınıf sayısı bu görüntü için seiz olara seçilmiştir. Segmentasyon işlemi uygulanmış görüntü Şeil 7 (b) de gösterilmiştir. Bir görüntüdei nesneyi tanımlaren temel olara üç yalaşım ele alınmatadır. Bunlar: sınır tanımlayıcılar, bölgesel tanımlayıcılar ve ilişisel tanımlayıcılardır. Şeil 7 dei görüntüler diate alındığında ötü huylu lezyonun bölgesel bir alan apladığı görülmetedir. Bu çalışmada bölgesel ve topoloji tanımlayıcılar ullanılara lezyonun alanı, çevresi ve daireselliği hesaplanmıştır. Aşağıda bölgesel tanımlayıcılar ayrıntılı olara açılanmıştır. Şeil 8 (a) Kötü huylu lezyonun ii seviyeli görüntüsü, (b) İi seviyeli görüntüye ait pisel değerleri ((a) Binary image of malignant lesion, (b) pixel values of the binary image) Bölgesel ve Topoloji Tanımlayıcılar (Regional and Topological Descriptors) Şeil 7. (a) Orijinal meme MR görüntüsü [38], (b) Otsu 8 seviye eşileme, (c) Kötü huylu lezyonun iili görüntüsü ((a) Original breast MR image [38], (b) 8-level Otsu thresholding, (c) Binary image of malignant lesion). Şimdi bir radyoloğun segmentasyon adımı sonrası gözlemlediği lezyonun alanını hesaplama istediğini varsayalım. Bunun için, radyolog özellile lezyonun bulunduğu bölgeyi görüntüden seçmetedir. Daha sonra seçilen bu bölgede lezyonu tanımlayan pisellerin değeri 1, diğer pisellerin değeri 0 olaca şeilde lezyon görüntüsü iili (binary) görüntüye dönüştürülmetedir. Bu işlem sonucu elde edilen görüntü Şeil 7 (c) de verilmiştir. Şeil 8 (a) da ise bölgesi seçilen ötü huylu lezyona ait ii seviyeli görüntü yer almatadır. Bu görüntünün pisel değerleri ise Şeil 8 (b) de verilmiştir. Görüntüde bir bölgenin alanı, apsadığı piseller ve çevresi o bölgenin sınırının uzunluğu olara ifade edilmetedir. Görüntüde alan ve çevre hesabı, ilgilenilen (araştırılan) bölgenin değişen olması durumunda tercih edilmetedir. Çevre ve alan iilisi ilgilenilen bölgenin daireselliği haında da bilgi vermetedir. Daireselli oranı, R 4 A R (18) P ile hesaplanır. Denlem (18) de A ilgilenilen bölgeni alanını, P de çevresini temsil etmetedir. İlgilenilen bölge veya nesne tam dairesel olduğunda R değeri 1 çıar. İlgilenilen bölge veya nesne bir are ise R değerinin sonucunun /4 olmatadır. Bölge tanımlayıcılar olara adlandırılan çeşitli parametreler mevcuttur. 0118

12 Bunlar; yeğinli seviyelerinin ortalaması, ortancası, minimum ve masimum değerleri gibi parametrelerdir [1]. Topoloji tanımlayıcılar, görüntü üzerinde belirlenen bölgelerin global tanımlamaları için ullanılmatadır. Topoloji genel olara, görüntüdei geometri cisimlerin nitel özellilerini ve bağıl onumlarını biçimlerinden ve büyülülerinden ayrı olara ele alan bir bilim dalıdır. Meme MR görüntülerinde her hastaya ait veriler farlı boyut, çevre ve biçime sahip olduğundan, çalışmada topoloji yapılardan da yararlanılmatadır. Elde edilen sonuçlar her hastaya göre değerlendirilip gereli tedavi yöntemlerinin seçilmesi aşamasında verileri anlamlı hale getirme için topoloji tanımlayıcılar büyü önem taşımatadır. Çalışmada topoloji ve bölgesel tanımlayıcılardan faydalanılara geliştirilen alan, çevre ve daireselli hesabı için ullanılan ii seviyeli bitdörtlüsü teniği uygulanmıştır. Bit-dörtlüsü teniği alt bölümde açılanmatadır. 3.. Bit Dörtlüsü Yöntemi (Bit Quad Method) Gray, bir görüntüdei bölgelere atanmış mantısal değerlerin (1 veya 0) belirli yapılarla eşleştirmesine dayalı olara, ii seviyeli görüntülerde nesnelerinin alanını ve çevresini hesaplama amacıyla sistemati bir yöntem geliştirmiştir. Bu amaçla, her biri 0 veya 1 değerinde olan görüntü arelerinde dörtlü bit hücreleri aranmatadır. Bir bit dörtlüsü, x boyutlarında bir dizi veri hücresinden meydana gelmetedir. Bit dörtlüleri olara adlandırılan pisel desen ümesi Şeil 9 da verilmetedir. Sunulan sistemde, meme MR görüntülerinde lezyon alanı belirlenen ve ii seviyeli görüntüye dönüştürülen verinin Şeil 9 da belirtilen her bit dörtlüsü deseni ile eşleştirilmesi yapılara lezyon alanı, çevresi ve daireselliği hesaplanmatadır. Öncelile, her bir bit dörtlü deseni elde edilen ii seviyeli görüntü üzerinde gezdirilere eşleşen dörtlülerin sayısı aydedilmetedir. Daha önce de bahsedildiği gibi segmentasyon işlemi ile lezyon sınırları tespit edilmiş ve lezyonun bulunduğu bölge seçilmiş görüntüde 0 olan piseller siyah 1 olan piseller beyaz bölgeleri temsil eder. Lezyon, ontrast tutulumundan dolayı beyaz piseller içermetedir. Şeil 9. Bit dörtlü desen ümesi [1] (Bit quad pattern set [1]). Şeil 9 da verilen desenlerden de görüldüğü gibi Q 0 deseni tamamen siyah pisellerden oluşmuştur. Dolayısıyla lezyon bölgesinde değildir ve alan için bir anlam ifade etmez. desenleri her farlı öşesinde 1 değeri bulunan desenlerdir. Alan için bir birimli atı sağlayacaları açı olara anlaşılmatadır. Benzer şeilde Q, Q3, Q 4 ve desenleri de yorumlanabilir. Bu yorumlardan faydalanara alan ve çevre hesabı için anlamlı ifadeler elde etme mümündür. Eşleşen verilerden yararlanara belirlenen nesnenin alanı Denlem (19), çevresi ise Denlem (0) ullanılara hesaplanabilir. Q 1 Q D 1 A0 [ n { Q1 } n { Q } 3 n { Q3 } 4 n {Q 4 } n{q D }] (19) 4 P n{q } n{ Q } n{ Q } n{q } (0) D Bu formüller Duda tarafından geliştirilmiştir. Son olara, elde edilen lezyon alan ve çevresinden faydalanara Denlem (1) ile lezyon daireselliği hesaplanmatadır. C 4 A (1) 0 0 (P 0) 0119

13 Bit dörtlüsü yöntemi ullanılıren diat edilmesi gereen husus şudur. Eğer görüntünün boyutları uygun değilse bit dörtlüsünün tam olara görüntüde gezdirilmesi için görüntünün boyutları ayarlanmalıdır [0]. 4. GELİŞTİRİLEN HASTANE OTOMASYON SİSTEMİ (DEVELOPED HOSPITAL AUTOMATION SYSTEM) Bu çalışmada meme anserinin teşhisinde ve tedavi yönteminin belirlenmesinde radyologlara ilave bilgi sağlayıcı bir otomasyon sistemi geliştirilmiştir. Bu amaçla öncelile, birinci bölümde açılanan farlı segmentasyon yöntemleri meme MR görüntülerine uygulanmatadır. Dört farlı yalaşımla lezyon sınırları belirlenditen sonra iinci bölümde detayları ile anlatılan alan hesaplama teniği bit dörtlüsü yöntemi sayesinde lezyon alanı hesaplanmatadır. Lezyon alanının hesaplanmasında ullanıcıya istediği bölgeyi seçme olanağı sağlanmatadır. Bu bölümde amacımız geliştirilen otomasyon sistemi anlatmatır. Geliştirilen otomasyon sistemi temel olara aşağıda verilen adımlar ullanılara tasarlanmıştır: 1. T-SQL dili ullanılara veri tabanının oluşturulması,. C # dili ile otomasyon sisteminin yazılımının hazırlanması, 3. C # eranında belirtilen segmentasyon yöntemlerinin Matlab ortamında yazılması, 4. SQL-C # ve C # -Matlab bağlantısının urulması. Görüldüğü gibi il aşamada SQL ile bir veri tabanı oluşturulmatadır. Oluşturulan bu veri tabanı üzerinde verileri güncelleme, silme, yedeleme vb. işlemler bir sistemle ontrol edilmetedir. Bu sisteme veri tabanı yönetim sistemi denilmetedir. Veri tabanı yönetim sistemi, fizisel hafızayı ve veri tiplerini ullanıcılar adına şeillendirip denetleyen ve ullanıcılarına standart bir SQL ara yüzü sağlayara onların dosya yapıları, veri yapısı, fizisel hafıza gibi sorunlarla ilgilenme yerine veri giriş-çıışı için uygun ara yüzler geliştirmelerine olana sağlayan yazılımlardır. Çalışmada Microsoft SQL Server 008 R ullanılmatadır. Otomasyon sisteminin tasarımının başlangıcında sisteme girilece veriler için tablolar oluşturulmatadır. Bu tablolara girilece verilerin (örneğin; dotor isminin) türlerinin belirlenmesi geremetedir. Şeil 10 da geliştirilen hastane otomasyonunun tüm tabloları ve tabloların birbirleriyle olan bağlantıları gösterilmetedir. Bu çalışmada, il aşamada beş adet tablo oluşturulmuştur. Geliştirilme istenirse sisteme muhasebe ısmı, ilaç taip sistemi vb. için gereli tablolar da elenebilir. Gereli veri tabanını oluşturdutan sonra ullanıcının işlem yapacağı sisteme dönüştürme için C# form uygulamalarından faydalanılmatadır. Şeil 10. Geliştirilen hastane otomasyon sisteminin bütün tabloları (All tables of developed hospital automation system). Bu çalışmada, sınıflar ve sistem için gereli olan diğer yapılar (metodlar, alanlar, özelliler) oluşturuluren Nesne Yönelimli Programlama (Object Oriented Programming, OOP) mantığı ullanılmıştır. OOP bir görevi gerçeleştirme için birbirleriyle etileşime giren nesnelere dayalı bir yazılım geliştirme yalaşımıdır. Bu etileşimin temel yapısı nesneler arasında mesajın gönderilmesi ve geri alınması biçimindedir. Bir nesne verilen bir mesaja tepi olara bir fonsiyonu ya da işlemi atif etmetedir. Sistemin ana yapısında ço (n) atmanlı mimari (n-tier architecture) yapısı modelinden esinlenilmiştir. Üç atmanlı yapıda, veri atmanı (data layer (DAL)), iş atmanı (business layer (Entity)) ve sunum atmanından (Presentation layer) yararlanılmatadır. Yararlanılan atmanları ısaca, 010

14 a. Veri atmanı (Data Layer): Bu atman bir uygulamanın verilerini depolayan ısmıdır. b. İş Katmanı (Business Layer): Sunum atmanı ile veri atmanı arasında öprü işlevi görmetedir. c. Sunum Katmanı (Presentation Layer): Bir uygulama ile ullanıcıların etileşimde olduğu atmandır. Şeil 11 de ullanılan üç atmanlı mimari yapısının genel görüntüsü yer almatadır. Sistemin bu adımları gerçeleştirilditen sonra sunum atmanında ullanıcı eranları tasarlanmata ve sistem oluşturulmatadır. Şimdi ullanıcı için tasarlanan eranları açılayalım. Ana Eran: Sunum atmanında tasarlanan il ullanıcı eranı Şeil 1 de görülmetedir. Bu eranda uygulamaya resimli araç çubuğu eleme için sol tarafta tool strip menu aracı (tool) ullanılmatadır. Araç çubuğundai il buton Dotorlar butonudur. Bu buton tılandığında atif ya da pasif durumda bulunan hastanedei tüm dotorları gösteren bir eran arşımıza çıacatır. Bu eran üzerinden yeni dotor bilgileri eleme, güncelleme ve silme işlemleri de yapılmatadır. Araç çubuğundai iinci satırda bölümler semesi yer almatadır. Bu buton tılandığında hastanenin atif-pasif tüm bölümlerini içeren bir eran açılmatadır. Ayrıca bu eranda yeni bölüm eleme, silme ve güncelleme işlemleri de yapılmatadır. Araç çubuğundai üçüncü satırdai Hastalar semesi atif edildiğinde, tüm hastaların listesinin bulunduğu bir eran gelmetedir. Burada yeni hasta eleme, güncelleme ve silme işlemleri yapılmatadır. Araç çubuğundai dördüncü satırda Randevular semesi yer almatadır. Bu buton atif edildiğinde randevuları içeren bir eran çımatadır. Bu eranda yeni randevu eleme, güncelleme ve silme işlemleri yapılabilmetedir. Araç çubuğunun beşinci satırında yer alan Tedaviler ısmı atif edildiğinde muayene beleyen hastaların oluştuğu bir eran yer almatadır. Bu ısım şuan için sadece meme MR görüntülerindei lezyonu belirleme ve gereli ölçümleri yapma için tasarlanmıştır. Araç çubuğunda son satırda yer alan Çıış semesi atif olduğunda sistem apanmatadır. Şeil atmanlı mimari yapısı (3-layer architectural structure). Şeil 1. Kullanıcı başlangıç eranı (User starting screen). Dotorlar Eranı: Ana eranda Dotorlar butonuna tılandığında atif edilen erandır. Şeil 13 de dotorlar butonu atif olduğunda ullanıcının arışılacağı eran yer almatadır. Burada yedi adet text box, yedi adet label, bir adet list box, bir adet combo box ve bir adet tool script menu yer almatadır. Şeil 13 dei görüntü combo box aracına tılandığında elde edilen görüntüdür. Burada tüm, atif ve pasif dotorların oluşturduğu üç bölüm yer almatadır. Bu şeilde tüm dotorlar seçilmetedir ve tüm dotorların listesi list box ta gösterilmetedir. 011

15 Şeil 13. Dotorlar eranı (Doctors screen). Örneğin; Şeil 13 de list box tan Uzm. Seran Satır seçilmiştir. Seçimi yapılan dotor bilgileri sağ tarafta text box larda yer almatadır. combo box ta seçimi Atif Dotorlar yaptığımızda hastanede mevcut olan dotorlar list box ta sıralanmatadır. Aynı durum combo box ta da Pasif Dotorlar semesinin seçimiyle de gerçeleşmetedir. Yani hastanede olmayan veya izinli olan dotorların listesi list box altında yer alacatır. Şeil 13 de combo box ın üstünde yer alan Dotorlar adındai tool script menu ye tılandığında ise Şeil 14 dei il eran görülmetedir. Bu araç çubuğunda dotorlarla ilgili dotor eleme, listeden dotor silme ya da dotor bilgilerini güncelleme işlemleri rahatlıla yapılabilmetedir. Burada dört adet text box, dört adet label, bir adet list box, bir adet combo box ve bir adet tool script menu yer almatadır. Şeil 15 de combo box aracına tılanmış görüntü yer almatadır. Butonda tüm, atif ve pasif bölümlerin oluşturduğu üç bölüm yer almatadır. Bu araç çubuğunda bölümlerle ilgili üç adet işlem yapılabilmetedir. Bu işlemler bölüm eleme, düzenleme ve silme işlemleridir. Hastalar Eranı: Ana eranda Hastalar butonuna tılandığında atif hale gelen erandır. Şeil 16 da hastalar butonu atif olduğunda ullanıcının arışılacağı eran yer almatadır. Burada dört adet text box, beş adet label, bir adet picture box, bir adet combo box, bir adet data grid view ve bir adet tool script menu yer almatadır. Şeil 15. Bölümler eranı (Departments screen). Şeil 14. Dotor eleme, silme ve güncelleme eranı (Doctor adding, deleting and updating screen). Bölümler Eranı: Ana eranda Bölümler butonuna tılandığında atif edilen erandır. Şeil 15 de bölümler butonu atif olduğunda ullanıcının arşılaşacağı eran verilmiştir. Şeil 16 da combo box ta Tüm Hastalar semesi atif edilmiştir ve tüm bölümlerin listesi list box ta gösterilmetedir. Örneğin; Şeil 16 da data grid view den tüm hastaların içinden Sevim Öner seçilmiştir. Seçimi yapılan hasta bilgileri yuarıda text box larda yer almatadır. Şeil 16 da combo box ın üstünde yer alan Hastalar adındai tool script menu ye tılandığında ise Şeil 17 dei il eran görülmetedir. Bu araç çubuğunda hastalarla ilgili üç adet işlem yapılabilmetedir. Bu işlemler hasta eleme, hasta bilgileri düzenleme ve silme işlemleridir. Randevu Eranı: Ana eranda Randevular butonuna tılandığında atif edilen erandır. Şeil 18 de randevular butonu atif olduğunda ullanıcının arışılaşacağı eran yer almatadır. Burada on adet text box, on dört adet label, bir adet data grid view, üç adet combo box, bir 01

16 adet picture box, ii adet group box, bir adet chec box, ii adet button ve bir adet tool script menu yer almatadır. Eran il açıldığında data grid view de sistemdei tüm randevular gözümetedir. Şeil 18 de gösterildiği gibi combo box aracına tılanırsa eğer bu aracın içindei seçenelerin açıldığı görülür. Burada, Detaylı Ara, Bu Günün Randevuları, Zamanı Geçmiş Randevular ve İptal Edilen Randevular gibi dört adet seçene yer almatadır. Bu eranda yine eleme, güncelleme ve silme işlemleri yapılabilmetedir. meme anserinin sınırlarının belirlenmesi ve lezyonun oluştuğu alan, çevre ve daireselli haında bilgi veren bir eran tasarlanmıştır. İl önce Bölüm/Dotor Bilgisi adındai group box içindei bölüm ve dotorlar belirlenmetedir. Bu işlem gerçeleştirilditen sonra muayene beleyen hastalar data grid view da sıralanır. Bir hasta seçildiğinde Segmentasyon İşlemleri ve Randevu Durumu ismindei group box lar atif olacatır. Seçilen hasta eğer muayeneye gelmediyse dire olara Hasta Randevuya Gelmedi isimli radio button atif edilere işlem tamamlanır. Hasta muayeneye geldi ise data grid view da hasta seçilere Segmentasyon İşlemleri işlemine başlama için hastaya ait meme MR görüntüsü ayıtlı olan adresten seçilmelidir. Seçimi yapılan bu görüntüye segmentasyon adımı uygulanması için Otsu Thresholding, FCM, -Means veya Region Growing isimli radio button lardan istenilen yöntem seçilir. Şeil 16. Hastalar eranı ( Patients screen). Şeil 18. Randevular eranı (Appointment screen). Şeil 17. Hasta eleme, silme ve güncelleme eranı (Patient adding, deleting and updating screen). Tedaviler Eranı: Ana eranda Tedaviler butonuna tılandığında atif edilen erandır. Tedaviler eranında douz adet text box, on ii adet label, on üç adet picture box, yedi adet group box, dört adet radio button, bir adet numeric up down,bir adet lin label,dört adet button ve bir adet tool script menu yer almatadır. Buraya adar anlatılan eranlarda genel hastane sitemi bilgileri yer almatadır. Sistemin en can alıcı notası aslında bu eranda gerçeleşmetedir. Bu eranda radyologlara Örneğin; Şeil 19 da Gülce DENİZ adında bir hasta randevuya gelmiş olsun. Bu hastanın meme MR görüntüsü Gözat isimli lin label a tılanara picture box ta görüntülenmetedir. Segmentasyon adımı için Otsu hresholding isimli radio button atif edilere ve Küme Sayısı isimli numeric up down da üme sayısı seçilere segmentasyon işlemini başlatma için Tamam button nuna basılır. Şeil 0 de seçilen segmentasyon yönteminin sonuçlarının yer aldığı görüntüler Segmentasyon Sonuçları ve Seçim isimli group box ta verilmiştir. group box içeriside numeric up down da seçtiğimiz sayı olan seiz değerine adar olan bütün eşileme sonuçları yer almatadır. Örneğin; Şeil 1 de üme sayısı seiz olan görüntü seçilmiştir. Seçilen 013

17 bu görüntü Seçilen Görüntü ismindei group box ta görülmetedir. Uzman, bu görüntüde lezyon alanını belirleyip Resmi Kırp isimli button a basara lezyon alanını esmetedir. Sonuçlar ismindei group box ta esilen lezyonun orijinal hali ve sağ tarafta ise ii seviyeli görüntüsü yer almatadır. Bu ii görüntünün altında lezyon bilgilerini içeren alan, çevre ve daireselli hesabı yer almatadır. Bu bilgiler dâhilinde uzman işinin yorumlamasıyla hastanın teşhis, teti ve ilaç bilgileri girilere hastanın muayene işlemi tamamlanıp Kaydet isimli button a tılanara muayene tamamlanır. Şeil 4.5 Hasta seçimi yapılmış tedaviler eranı (Patient selected treatments screen). Yuarıda C# programı ullanılara tasarlanan sistem ve sistemin gerçeleştirdiği işlevler açılanmatadır. Bu eranlar bir hastanenin yönetimi için genel adımları teşil etmetedir. Sistemin bizim için en önemli olan ısmı Tedaviler eranıdır. Burada meme MR görüntüleri dört farlı segmentasyon yönteminden biri seçilere gerçeleştirilmetedir. Anca segmentasyon yöntemlerinin gerçeleme aşaması C# uygulaması ile sağlanmamatadır. Yöntemlere ait fonsiyonlar Matlab 017a programında oluşturulmuş ve ullanılmıştır. 5. TARTIŞMA VE SONUÇLAR (DISCUSSION AND RESULTS) Bu çalışmada, ülemizde ve tüm dünyada özellile adınlar arasında en sı görülen anser türlerinin başında gelen meme anserinin teşhisine ve tedavi yönteminin belirlenmesine deste sağlayıcı yazılım tabanlı bir sistem geliştirilmesi amaçlanmatadır. Bu amaçla, meme anserinin teşhisinde yaygın olara ullanılan modalitelerden biri olan MRG ile elde edilen görüntüler ullanılmatadır. MR görüntülerine bazı görüntü işleme ve maine öğrenmesi tenileri uygulanara radyologlara faydalı bilgi sunulmatadır. Çalışmada, veri seti olara 0 farlı hastaya ait meme MR görüntülerinden yararlanılmatadır. Kullanılan görüntüler daha önceden uzman radyologlar tarafından incelenmiş ve memede lezyon olup olmadığı varsa boyutlarının ne adar olduğu belirlenmiştir. Dolayısıyla, sistemin performansını değerlendirmede radyologların yaptığı etietlemeler ullanılmatadır. Çalışmada ullanılan yöntemler incelendiğinde şu sonuçlara ulaşılmıştır: Otsu eşileme yöntemi hızlı ve görsel olara farlı seçeneler sunara uzmana lezyonu farlı açılardan inceleme imânı sunan bir yöntemdir. FCM yöntemi diğer yöntemlere ıyasla hız baımından yavaştır anca segmentasyon sonucunda ürettiği görüntüde lezyonun apladığı alanını mutla bir şeilde belirginleştirmetedir. -Ortalama yöntemi 3-anallı olara segmentasyon yapmasına rağmen performansı hızlıdır. Bu yöntem de Otsu eşilemede olduğu gibi orijinal görüntüye ço farlı açılardan baış sağlayan segmentasyon sonuçları üretmetedir. RG yöntemi ise, performans baımından en hızlı cevap veren yöntemdir. Çünü çeirde seçme aşaması sayesinde istenilen sonuç dire hedef alınara uygulama başlatılmatadır. Segmentasyon sonucunda ise FCM de olduğu gibi lezyonun apladığı alanı net bir şeilde belirginleştirmetedir. Maalede alan sınırlı MR görüntüleri ve diğer modaliteler için geliştirilmiş hali hazırda çeşitli urumlar tarafından ullanılan sistemler ve ara yüzler mevcuttur. Anca yapılan araştırmalar neticesinde ullanılan mevcut sistemlerde iyileştirmeler yapılabileceği sonucuna ulaşılmıştır. Bu çalışmada amaç, uzmanlara MR görüntülerinin farlı açılardan inceleme olanağı sağlamatır. Bunu yaparen en hızlı, olay ve anlaşılır şeilde faydalı 014

18 bilgiler sunma esastır. Çalışmada açılanan aşamalar sayesinde tüm ullanıcıların rahat bir şeilde erişebileceği ve işlem yapabileceği bir hastane otomasyon sistemi geliştirilmiştir. Sistem bu haliyle sadece çalışmanın amacı ile ilgili sınırlı işlemleri apsasa da geliştirilmeye olduça açı bir şeilde tasarlanmıştır. Bundan sonrai çalışmalarımızda hedefimiz lezyon sınırlarını belirlemele almayıp lezyona ait arateristileri elde edere teşhis aşamasına adar tüm işlemleri otomati olara gerçeleştirip uzmana bir rapor hazırlayan tümleşi bir sistem oluşturmatır. Şeil 0. Hasta seçimi yapılmış ve segmentasyon işleminin sonuçlarının yer aldığı tedaviler eranı (Patient selected treatments screen which includes segmentation process results). 015

19 Şeil 1. Lezyon alanın, çevresi ve daireselliği değerlerinin hesaplandığı tedaviler eranı (Treatments screen in which lesion area, perimeter and circularity values are calculated). KAYNAKÇA [1] Dünya Sağlı Örgütü Uluslararası Ajansı, Meme Kanseri İstatistileri Erişim Tarihi: [] Türiye Hal Sağlığı Kurumu Kanser Daire Başanlığı, Türiye Kanser İstatistileri _istatisti/ana_rapor_013v01_.pdf. Erişim Tarihi: [3] derstand_bc/what_is_bc.erişim Tarihi: [4] Gnonnou, C., Smaoui, N., Segmentation and 3D Reconstruction of MRI Images For Breast Cancer Detection, IEEE Ipas 14: Internatıonal Image Processıng Applıcatıons and Conference, 014. [5] Fooladivanda, a., Shoouhi, S. B., Ahmadinejad N., and Mosavi, M. R., Automatic segmentation of breast and fibroglandular tissue in breast MRI using local adaptive thresholding, 014 1st Iran. Conf. Biomed. Eng. ICBME 014, no. Icbme, pp , 014. [6] Fooladivanda, A., Shahriar, S. B., Ahmadinejad, N., Mosavi, M. R., Atlas- Based Automatic Breast MRI Segmentation using Pectoral Muscle and Chest Region Model, 1st Iranian Conference on Biomedical Engineering, 014. [7] Merida, A., G., Kallenber, M., Mann, M. R., Mart, R., Karssemeijer N., Breast segmentation and density estimation in breast MRI: A Fully Automatic Framewor, IEEE Journal of Biomadical and Health Informatics, 19:1: , 015. [8] Khalvati, F., Gallego C., Balasingham, S.,and Martel, A., Automated Segmentation of Breast in 3D MR Images Using a Robust Atlas., IEEE Trans. Med. Imaging, vol. 34, no. 1, pp ,