Seda Arslan TUNCER 1, Ahmet ALKAN 2 arslanseda@hotmail.com; aalkan@ksu.edu.tr

Transkript

1 TROİT NODÜLLERİNİN BÖLGE TABANLI AKTİF ŞEKİL (CONTOUR) YÖNTEMİ İLE BÖLÜTLENMESİ Seda Arslan TUNCER 1, Ahmet ALKAN 2 arslanseda@hotmail.com; aalkan@ksu.edu.tr 1 Fırat Üniversitesi Enformatik Bölümü, Elazığ 2 KSÜ Elektrik-Elektronik Mühendisliği, Kahramanmaraş ÖZET Bu çalışmada MR görüntülerindeki tiroit nodüllerinin bölge tabanlı aktif kontör yöntemi ile bölütlenmesi sunulmuştur. Yöntemin başarımını belirlemek ve karşılaştırmak için elde edilen sonuçlar, manüel olarak elde edilen sonuçlarla karşılaştırılarak yöntemin doğruluğu Zijdenbos Similarity İndex (ZSI) e göre belirlenmiştir. Çalışmada 40 hastanın troit nodüllerini içeren MR görüntüleri kullanılmıştır. Uzmanın belirlediği kesit alanı ile, önerilen bölütleme tekniği ile elde edilen alanların Zijdenbos Similarity İndex(ZSI) indeksleri ortalama % 93 civarında olup Bölge tabanlı aktif kontör yöntemin troit nodüllerinin MR görüntülerinden bölütlenmesinde kullanılabileceği sonucuna varılmıştır. Anahtar Kelimeler: tiroit nodülü, bölge tabanlı aktif kontör yöntemi, ZSI 1. GİRİŞ Troit bezi boynun tabanına yakın bir yerde, nefes borusunun önünde erkeklerde Adem Elması olarak tabir edilen kıkırdak çıkıntının hemen altında bulunur. Şekil olarak bir kelebeğe benzer, bu kelebeğin kanatları Troit bezinin sağ ve sol loblarını oluşturur. Troit bezindeki sınırları belli olan kitle ya da yumrulara troit nodülü adı verilir. Nodüller tek başına olabilecekleri gibi multinodüler guatr da olduğu gibi birden çok ta olabilir [1]. Son zamanlarda ultrasonografi alanında teknoloji ve deneyim çok geliştiği için çok küçük nodüller de tespit edilebilmekte ve genel popülasyonda nodül sayısı daha yüksek hesaplanmaktadır. Dünya nüfusunun %50 sinden fazlasında tiroit bezinde nodül mevcuttur. Troit nodülleri yaşla birlikte artar. Bu aynı zamanda Troit bezinin de yaşlanması anlamına gelir. Birçok nodül zararsızdır ve tedavi gerektirmez. Ancak tüm nodüllerin yaklaşık % 5 i kanser olma eğilimindedir ve bu nedenle nodüllerin doğru tespiti önemlidir [2]. Genel olarak bir nodülün kanser olma olasılığı düşük olsa da, söz konusu insan hayatı olduğunda bu rakam azımsanamayacağından tüm nodüller hekim tarafından değerlendirilmeli ve belirlenmelidir. Troit nodülleri rutin doktor kontrolleriyle tespit edilebildiği gibi, ultrasonografik inceleme (US)/ doppler US, bilgisayarlı tomografi (BT), manyetik rezonans görüntüleme (MRG), pozitron-emisyon-tomografi (PET)-BT, US rehberliğinde ince iğne aspirasyon biyopsisi (İİAB) gibi yöntemlerle de tespit edilebilmektedir [3]. Tiroit nodül tespitinde en yaygın kullanım ultrasonla kontroldür [4,5]. Tiroit nodüllerinin tespitini önemli hale getiren temel iki unsur, nodülün kanser olasılığı taşıması ve nodülün tiroit hormon düzeyi üzerinde etkili olmasıdır. Bu nedenle literatürde tiroit nodüllerinin tespiti için birçok yöntem kullanılmıştır. Troit nodüllerinin sınıflandırılmasında ve nodüllerin bölütlenmesinde destek vektör makinesi (Support Vector Machine), Karar Ağaçları (Decision Tree) ve Dalgacık Dönüşümü (Wavelet Transform) gibi yöntemler kullanılmıştır [6, 7]. Bunlarla birlikte tiroit nodüllerinin ultrason görüntüleri üzerine kenar çıkarma tabanlı bir yöntem olan gelişmiş Karınca Koloni Algoritması uygulanmıştır [8]. Ayrıca sonografik doku özellikleri kullanılarak, istatistiksel dağılıma dayanan sınıflandırmalar yapılmış ve tiroit nodüllerini tespit etmede, görüntü analiz programları önerilmiştir [9,10,11]. Bu çalışmada tiroit nodüllerinin MR görüntüleri kullanılarak tespitinde bir görüntü bölütleme yöntemi kullanılmıştır. MR görüntüleri ultrason ve CT görüntüleriyle karşılaştırıldığında yumuşak görüntülerde daha yüksek çözünürlüğe sahip olduğundan, çalışmada MR görüntüleri tercih edilmiştir. Bu amaçla tiroit nodüllerine sahip 40 hastadan alınan MR görüntüsü elde edilmiş ve elde edilen görüntülere bölge tabanlı aktif kontör yöntemi uygulanmıştır. Model, kontör sınırına erişmesini başarmak için enerji minimizasyonu tabanlıdır [12,13]. Ayrıca yöntemin kullandığı başlangıç maskesinin ilk yeri yarı otomatik olarak sisteme girilmiştir. Kullanılan metodun troit nodülleri üzerindeki başarımını belirlemek için MR görüntülerinden uzman radyologların manuel olarak elde ettiği sonuçlar ile önerilen bölütleme yöntemiyle elde edilen sonuçlar karşılaştırılmıştır. Her iki yöntemin başarımlarını ölçmek için ZSI kullanılmıştır [14]. Kullanılan yöntemle tiroit nodülleri % 93 ortalama ZSI değeri ile başarılı bir şekilde tespit edilmiştir. Makalenin 2. bölümünde, kullanılan Bölge tabanlı aktif kontör yönteminin tanımı, matematiksel temelleri ve algoritması verilmiştir. 3.bölümde, kullanılan MR görüntülerinin özellikleriyle birlikte hem bölge tabanlı aktif kontör yöntemi hem de manüel olarak elde edilen tiroit nodülleri için ZSI tanımı verilmiştir. 4. Bölümde her iki yöntem için elde edilen sonuçlar karşılaştırmalı olarak verilmiştir. Son bölümde ise elde edilen sonuçlar değerlendirilmiştir. 2. BÖLGE TABANLI AKTİF KONTÖR YÖNTEMİ Görüntü bölütleme, görüntü içinden nesne ayırt etmek için kullanılan temel bir görüntü işleme işlemidir. Görüntü bölütleme yöntemlerinden biri de Chan-Vese tarafından önerilen aktif kontör ve level set kullanmaktır[15]. Level set teorisinde, eğri evrim sırasında istenen kenarlara ve sınırlara doğru hatlarını çeker. Aktif kontör yönteminde ise ilk fikir deforme modeli kullanma ve her iterasyon da enerji fonksiyonunu minimize etmektir. Aktif kontör için kenar tabanlı ve bölge tabanlı olmak üzere iki yöntem kullanılır. Kenar tabanlı metot için bir kenar detektör kullanılırken, bölge 293

2 Elektrik-Elektronik ve Bilgisayar Sempozyumu 2011 tabanlı yöntemde ise kenar bulma yerine arka plan ve ön plan sezilir [16]. Kenar tabanlı yöntemde görüntüde global bir sınırlama olmadığından birçok durumda düzgün bölütleme yapılır. Bölge tabanlı yöntem, ilk yerleştirilen eğri için sağlamlık ve gürültüye duyarsızlık göstermesi yönüyle kenar tabanlı yönteme göre avantajlıdır. Ancak dezavantajı, bazen yanlış görüntü bölütlemesine sebep olabilmesidir. Bu yöntemin temel fikri kapalı eğrinin, yani kontörün, ilk maske (kare v.b bir şekil) ile başlaması ve daha sonra görüntünün kısıtlamalarına göre genişleme ya da küçülme yaparak sonuca ulaşmasıdır. Bu işlem bir enerji fonksiyonu minimize edilerek yapılır bu kontör evrimi olarak bilinir. Aktif kontör formülasyonu görüntü düzleminde tanımlanan 2 boyutlu lipschitz fonksiyonu üzerine kuruludur. Bu fonksiyona level set fonksiyonu denir. Başlangıç level Set fonksiyonu işaret uzaklık fonksiyonu (SDF) olarak adlandırılır [17]. Level set fonksiyonu φ=(x,y), iki boyutlu lipschitz fonksiyonudur ve kontör değerlerini göstermek için uygulanır. Ayrıca kapalı kontör C eğrisi, φ nin sıfır seviyesi tarafından dolaylı olarak gösterilebilir., :, 0, (1) Kontör negatif ya da pozitif olabilir, ya da ikisinin, arasında bir alanda bulunabilir. Kontör gelişimi eşitliğiyle ifade edilir. φ(x,y)=0 olduğunda C eğrisi üzerinde bir noktayı, φ(x,y) >0 C eğrisinin dışını ve φ(x,y)<0 ise C eğrisinin içini ifade eder. C eğrisinin dışında ϕ(x,y) >0 C eğrisinin içinde ϕ(x,y)<0 Şekil 1: Kontör Gelişimi C eğrisinin üzerinde ϕ(x,y)=0 Heaviside fonksiyonu C eğrisinde sıfırdan 1 e ya da 1 den sıfıra geçişlerin ani olmaması için kullanılır. Böylece sistem çıkışı istikrarsız olmaması sağlanır. Dışarıda kalan bölge ise 1 ile ifade edilebilir (2) Enerji fonksiyonu denklem 3 deki gibi gösterilebilir... ş,, Denklem 3 de I görüntüyü ifade eder. u ve v ise C ye bağlı sabitlerdir. Ayrıca µ, λ 1 ve λ 2 pozitif sabitlerdir. Nümerik hesaplamalarda λ 1 = λ 2 =1 ve v=0 a ayarlanır. Minimizasyon problemini hesaba katarak, u ve v ye göre enerji fonksiyonu minimize etmek için, φ sabitlenir. Böylece u ve v, φ ye bağlı olarak aşağıdaki gibi gösterilebilir.,,,, 1, 1, Burada u ve v sırasıyla iç ve dış bölgeler olarak gösterilebilir. Eğriyi güncellemek için, level set fonksiyonunu yeniden başlatmaya gerek vardır. Yeniden başlatma fonksiyonu denklem 5 deki gibi gösterilebilir... (5) Zero Level set etrafında bir dar bantta hesaplamayı sınırlar. Şekil 3 te görülen yapı, dar bant olarak adlandırılır. Sıfır seviye (zero level) set dar bant kenarına geldiğinde seviye set fonksiyonu yeniden başlatılır. Dar bant yeniden hesaplanır. Bütün görüntü boyunca φ hesaplanırken yeniden başlatma gerekmez. Yani görüntü boyunca φ hesaplandığında yeniden başlatma sonuçta dikkate değer bir etki yapmaz. Bu yüzden yeniden başlatmayı ihmal edebiliriz. Şekil.4 Bölge tabanlı aktif kontör yönteminin akış şemasını göstermektedir. (3) (4) H(φ) -є є Şekil 2: Heaviside Fonksiyonu φ Şekil 3: Dar Bant, en içteki eğri sıfır seviye seti ifade etmektedir. 294

3 ϕ 0=Başlangıç maskesi, i=iterasyon sayısı değerlendirilmiştir. ZSI değeri 0 ve 1 arasındadır. İndeks değerinin 1 e yakınlığı uygulamada sonucun başarılı olduğunu ifade eder. ZSI indeksinin 0.7 den büyük olması mükemmel sonuç olarak kabul edilir [20]. İterasyon Sayısı Güncelle Hesapla u,v Hesapla FF=(I-v)2-λ 2(I-u)2 Hesapla yenideğer Güncelle ϕ, i Gerekliyse, Yeniden Başlat ϕ Nodül belirlendi Şekil 4: Algoritma 3. TROİD MR GÖRÜNTÜLERİ VE ZIJDENBOS BENZERLİK İNDEKSİ Çalışmada 512x512 boyutunda 8-bit gri seviyeli 40 MR görüntüsü kullanılmıştır. MR inceleme, yüksek çözünürlüklü MR aygıtlarının kullanıma girmesi ve yaygınlaşmasıyla tiroit bezinin değerlendirmesinde, hem yumuşak doku görüntüleme üstünlüğü hem de çoklu görüntüleyebilme becerisi ile son yıllarda daha sıklıkla kullanılmaktadır [18]. Ayrıca konvansiyonel MR incelemede yan etki oluşturmadığı için kontrast maddenin güvenle kullanılabilmesi, dolayısıyla çevre alana yayılım ve eşlikçi lenf nodu metastazını (başladığı alandan daha geniş bir alana yayılma) ayrımlamadaki önemli üstünlüğü nedeni ile de tercih nedeni olmakta ve günden güne BT (Bilgisayarlı tomografi) nin yerini almaktadır[19]. Bu nedenlerden dolayı bu makalede troit nodüllerinin tespiti için MR görüntüleri kullanılmıştır. Şekil.5 bir hastaya ait troit nodülüne sahip MR görüntüsünü göstermektedir. Uzman radyolog tarafından manüel olarak elde edilen sonuçların ve bölge tabanlı aktif kontör yöntemi ile edilen sonuçların doğruluğunu ölçmek için ZSI indeksi kullanılmıştır. Her iki yöntemle elde edilen tiroit nodüllerinin kesit alanları denklem 10 kullanılarak karşılıklı olarak Şekil 5: Örnek troit nodül görüntüsü Eşitlik 10 da, A, bölge tabanlı aktif kontör yöntemiyle tespit edilen, M manüel olarak tespit edilen tiroit nodülünün piksel olarak alanını göstermektedir. operandı ise A ve M pikselleri arasındaki kesişimi, yani A M iki yöntemle tespit edilen aynı piksellerin sayısını göstermektedir. 4. SONUÇLAR (10) Toplam 40 hastadan alınan MR görüntüleri kullanılarak bölge tabanlı aktif kontör yöntemi yardımıyla troit bezinde oluşan nodüller tespit edilerek nodüllerin kesit alanı hesaplanmıştır. Tespit edilen nodüller orijinal görüntüden çıkartılarak nodüllerin alanları (kapsadığı piksel sayısı) belirlenmiştir. Şekil.6 sırasıyla orijinal görüntüyü ve orijinal görüntünün bölütlenmesi sonucu elde edilen nodüllerin nodülleri göstermektedir. 295

4 Elektrik-Elektronik ve Bilgisayar Sempozyumu 2011 Şekil 6: Orijinal görüntüden elde edilen tiroit nodülleri (a) İşlenmemiş görüntü, (b) 300 iterasyon çalıştırılarak elde edilen görüntü, (c) Bölütlenmiş görüntü Tablo 1: ZSI değişimleri Görüntü No A M A M ZSI Görüntü No A M A M ZSI , , , , , , , , Bölge tabanlı aktif kontör yönteminin tiroit nodüllerine uygulanmasıyla elde edilen sonuçların doğruluğunu göstermek için aynı görüntüler, kullanılarak uzman radyologlar tarafından nodüllerin kapsadığı alanlar manüel olarak da ölçülmüştür. Tablo her bir görüntü için hem bölge tabanlı aktif kontör yöntemi hem de manüel olarak elde edilen alan büyüklüğünü göstermektedir. Tabloda A ile ifade edilen alan uzman radyolog tarafından hesaplanan piksel değerlerini ifade ederken, M ile hesaplanan değerler ise bölge tabanlı aktif kontör yöntemiyle elde edilen piksel değerleri göstermektedir. Her iki yönteme göre hesaplanan piksel değerlerinin görüntülere göre değişimleri aşağıdaki şekil.7 de verilmiştir. Elde edilen her iki sonuç birbirlerine çok yakındır. Görüntüler için ZSI değerinin ortalaması 5 elde edilmiştir. ZSI değerinin değişimi şekil 8 de verilmiştir. 5. TARTIŞMA Çalışmada tiroit bezinde nodül bulunan 40 hastaya ait MR görüntülerine bölge tabanlı aktif kontor yöntemi uygulanmıştır. Elde edilen sonuçlar, uzman tarafından belirlenen piksel cinsinden tiroit nodül büyüklükleri ile yöntem tarafından elde belirlenen troit nodül büyüklükleri karşılaştırılmıştır. Sonuçta elde edilen ZSI değerinin tüm 296

5 görüntüler için 0.7 den büyük olması yöntemin doğruluğunu ve başarısını göstermekte olup, yöntem tiroit kitle büyüklüklerinin belirlenmesinde kullanılabilir. Pixsel Sayısı ZSI Görüntü Numarası Şekil 7: Kullanılan yöntem ve manüel piksel değişimi Şekil 8: Görüntü numarasına göre ZSI Değişimi. TESEKKÜR Bu çalışmada kullanılan MR görüntülerinin temin edilmesindeki yardımlarından dolayı Fırat Üniversitesi Tıp Fakültesi Radyoloji Bölümü Öğretim Üyesi Doç.Dr.Zülkif BOZGEYIK e teşekkür ederiz. 6. KAYNAKLAR Auto Manuel Görüntü Numarası [1] Van Herle AJ, Pick P, Ljung BME, Ashcraft MW, Solomona DH, Keeler EB. The thyroid nodule. Annals of Internal Medicine 1982;96: [2] Stanley F. AACE clinical practice guidelines for the diagnosis and management of thyroid nodules. Endocrine Practice p:78 84,1996. [3] Maria T. Rojeski, M.D., and Hossein Gharib, M.D., Nodular Thyroid Disease Evaluation and Management N Engl J Med 1985; 313: August 15, [4] Chan, Chuan-Yu,Huang, Hsin-Cheng,Chen, Shao-Jer, Thyroid Nodule Segmentation and Component Analysis in Ultrasound Images APSIPA ASC 2009 : Asia-Pacific Signal and Information Processing Association, 2009 Annual Summit and Conference, 910,917 4-Oct [5] Hsin-Cheng Huang, Thyroid Nodule Segmentation and Component Analysis in ultrason images, Master Thesis, National Yunlin University, 2009 China [6] D. E. Maroulis, M. A. Savelonas, S. A. Karkanis, D. K. Iakovidis, N. Dimitropoulos, "Computer-Aided Thyroid Nodule Detection in Ultrasound Images," cbms, pp , 18th IEEE Symposium on Computer-Based Medical Systems (CBMS'05), 2005 [7] S. Tsantis, N. Dimitropoulos, D. Cavouras, G. Nikiforidis A hybrid multi-scale model for thyroid nodule boundary detection on ultrasound images Computer Methods and Programs in Biomedicine, Vol. 84, Issue 2, Pages 86-98,2006. [8] ZHU Ling, SHI Xinling,LIU Yajie, TIAN Xi (Department of Electronic Engineering,Information School, Yunnan University, Kunming ) ; Edge Extraction of Thyroid Nodule in Ultrasound Images Based on Improved Ant Colony Algorithm [J] ; Computer Engineering ; [9] Keramidas, E.G., Iakovidis, D.K., Maroulis, D., Fusion Of Fuzzy Statistical Distributions For Classification Of Thyroid Ultrasound Patterns, Artificial Intelligence In Medicine, Elsevier, [10] S. J. Chen, S. N. Yu, J. E. Tzeng, Y. T. Chen, K. Y. Chang, K. S.Cheng, F. T. Hsiao and C. K. Wei, Characterization of the major histopathological components of thyroid nodules using sonographic texture features for clinical diagnosis and management, Ultrasound in Med. & Biol., vol. 35, no.2, pp , [11] Iakovidis, D.K., Keramidas, E.G., Maroulis, D., Karkanis, S.A., " Efficient and Effective Ultrasound Image Analysis Scheme for Thyroid Nodule Detection", International Conference on Image Analysis and Recognition (ICIAR 2007), LNCS Springer, vol.4633, pp , Montreal, Canada, [12]Chen Y, Tagare HD, Thiruvenkadam S, Huang F, Wilson D, GopinathKS, et al, Using prior shapes in geometric active contours in a variational framework. Int J Comp Vis. 50(3), , [13] Chan TF, Vese LA, Active contours without edges. IEEE Trans onimg Proc. Vol. 10, No. 2, Feb [14] Alex P. Zijdenbos, Benoit M. Dawant, Richard A. Margolin, and Andrew C. Palmer. Morphometric analysis of white matter lesions in MR images: Method and validation. IEEE Transcations on Medical Imaging, 13(4):716{724, December [15] T.Chan, L.Vese, Active Contours Without Edges, IEEE transactions on image processing,vol.10,no.2,february [16] [2] S. Lankton, A. Tannenbaum, Localizing Region- Based Active Contours IEEE transactions on image processing,vol.17,no.11 November 2008 [17] C. P. Lee, Robust Image Segmentation using Active Contours: Level Set Approaches, dissertation, North Carolina State University [18] J.C. Wang, S. Takashima, F. Takayama, S. Kawakami, A. Saito, T. Matsushita, H. Matsuba, and S. Kobayashi Tracheal Invasion by Thyroid Carcinoma: Prediction Using MR Imaging Am. J. Roentgenol., October 1, 2001; 177(4): [19] Tezelman S, Giles Y, Tunca F. et. al. Diagnostic value of dynamic contrast medium enhanced magnetic resonance imaging in preoperative detection of thyroid carcinoma.arch Surg. 2007,Nov;142(11): [20] Zijdenbos AP, Dawant BM, Margolin RA, Palmer AC. Morphometric analysis of white matter lesions in MR images: Method and validation. IEEE Trans Med Imag Dec;13: