MR Görüntüleri Üzerinde Otomatik Beyin Tümörü Tespiti İçin Bölütleme Yöntemlerinin Karşılaştırılması ve Uygulaması Özet: Beyin tümörleri, kafatası içerisinde büyüyerek beyin üzerine yaptıkları baskı ile ilerleyen evrelerde yaşamı tehdit edebilmektedir. Kötü huylu beyin tümörleri son yıllarda insan ölümlerinin önemli nedenlerinden bir tanesi olmaya başlamıştır. Eğer tümör erken bir aşamada tespit edilerek doğru sınıflandırılabilirse, hastaların hayatta kalma şansı artırılabilmektedir. Beyin kanseri için seçilecek en uygun tedavi, doktorun tümörün türünü, konumunu, büyüklüğünü ve sınırlarını kesin bir şekilde tespit etmesine bağlıdır. Bu sebeple, radyolog ve doktorların beyin tümörlerini yüksek başarıyla tespit edebilmesine yardımcı olacak bir bilgisayar destekli teşhis / tespit sistemi kullanması son derece önemlidir. Bu çalışmada, MR görüntülerini üzerinde beyin tümörünün otomatik bölütlenmesi için, Bulanık C-Ortalamalar (FCM), Otsu Metodu, Bölge Büyütme (Region Growing) ve Öz-Düzenleyici Haritalar (SOM) yöntemleri kullanılarak, karşılaştırmalı analizleri gerçekleştirilmiştir. Bu amaçla kullanıcı arayüzüne sahip bir uygulama yazılımı tasarlanmıştır. Böylece hekimlerin karar verme aşamalarında hem kolaylık sağlanarak oluşabilecek muhtemel hataların önüne geçilmesi hem de tasarlanan uygulamanın ikincil bir araç olarak kullanılması hedeflenmiştir. Oluşturulan görüntü veritabanı üzerinde gerçekleştirilen detaylı test işlemlerinde, tasarlanan uygulama yardımıyla beyin tümörlerinin başarılı bir şekilde tespit edildiği görülmüştür. Anahtar Sözcükler: MR, beyin tümörü, bölütleme, bilgisayar destekli tespit, uygulama arayüzü Implementation and Comparison of Automatic Brain Tumor Segmentation Methods on MR Images Abstract: Brain tumors grow in the skull and they can be life threatening in later stages because of the pressure exerted on the brain. Malignant brain tumors have become one of the major causes of human death in recent years. If the tumor can be classified correctly at an early stage, the chances of survival of patients can be improved. The most appropriate treatment to be selected for brain cancer depends on precisely identifying of tumor type, location, size and boundaries by the physicians. Thus, it is important using a computer-aided diagnosis / detection system to detect brain tumors successfully for radiologists and physicians. In this study, Fuzzy C-Means (FCM), Otsu's method, Region Growing and Self- Organizing Maps methods is used for the automatic segmentation of brain tumors on the MR images and results are compared with each other. Application software is designed with a user interface for this purpose. Thus, the ease of decision-making by physicians will be provided. Consequently, the application software will prevent errors and may be used as a secondary means for brain tumor segmentation. It has been shown in detailed test experiments on image dataset that designed application can detect brain tumors successfully. Keywords: MR, brain tumors, segmentation, computer-aided detection, application GUI
1. Giriş Vücudumuzdaki nöronların büyük bir kısmını barındıran beyin merkezi sinir sisteminin önemli organıdır. Vücudumuzun yönetim birimi olan beynimiz farkında olma, mantık yürütme, öğrenme, hafıza, duygu gibi birçok olayı kontrol etmektedir. Beyin tümörleri, teknolojik cihaz kullanımı, sağlığa zararlı gıda tüketimleri ve stres durumlarının artması gibi çeşitli nedenlerle beyinde gelişerek baskı yaparlar. Son yıllarda beyin tümörleri giderek yaygınlaşan bir eğilim içerisindedir. Dünya Sağlık Örgütü tarafından yapılan bir araştırmaya göre tüm dünyada 2011 yılında ölen insanların yaklaşık %13 kanser nedeniyle hayatını kaybetmiştir. İnsan beyninde gelişen Beyin Kanserleri son yıllarda yakalanma oranlarında ciddi artış olan kanser türlerinin başında gelmektedir. Gelişmiş ülkelerde son 30 yılda beyin tümörüne yakalananların sayısında 300 kat artış olduğu, ASCO nun [1] (American Society of Clinical Oncology) yaptığı bir araştırmaya göre de beyin kanserine yakalanan insanların 5 yıl boyunca hayatta kalma oranın sadece %11 olduğu açıklanmıştır [2-3]. Ülkemizde ise Kanser Daire Başkanlığı tarafından 2008 yılında yapılan bir araştırmaya göre beyin kanserine yakalanma oranı 100.000 kişide 6,1 olarak açıklanmıştır. Beyin tümörlerinin tedavisinde cerrahi operasyon, kemoterapi ve radyoterapi yöntemleri kullanılmaktadır [4]. Beyin tümörleri için seçilecek en uygun tedavi, doktorun tümörün türünü, konumunu, büyüklüğünü ve sınırlarını kesin bir şekilde tespit etmesine bağlıdır [5]. Beyin tümörlerinin tespitinde kullanılan en yaygın görüntüleme yöntemi ise Manyetik Rezonans Görüntüleme (MRI) tekniğidir. Radyolog ya da doktorlar, alınan bu MR görüntülerini yorumlayarak tümör/kitle tespitini gerçekleştirmeye çalışırlar [5]. Ancak, görüntülerdeki gürültüler, örnek vakalarla kıyaslamanın zorlukları gibi nedenler ile özellikle de belirli bir büyüklüğün altındaki tümörler gözden kaçabilmektedir. Yapılan bir çalışmaya göre radyologlar tarafından yapılan doğru teşhis başarısının %75 civarında olduğu vurgulanmaktadır [6]. Bu sebeple, radyolog ve doktorların beyin tümörlerini yüksek başarıyla tespit edebilmesine yardımcı olacak Bilgisayar Destekli Teşhis (BDT) Sistemlerinin kullanması son derece önemlidir. Son yıllarda, BDT sistemleri çeşitli hastalıkların tanısında ek sistem olarak kullanılmaya başlanmıştır [7-8]. Bilhassa, kanser teşhisine destek olacak BDT sistemleri son zamanlarda çok popüler hale gelmiştir. Beyin tümörlerinin teşhisine yönelik de literatürde de birçok çalışma önerilmiştir. Örneğin, Fletcher-Heath ve diğerleri [9] beyin tümörlerinin otomatik bölütlenmesini FCM yöntemi ile gerçekleştiren bir yöntem önermişlerdir. Çalışmalarında MR görüntüleri kullanmışlardır. Juang v.d. [10] ise beyin tümörünün bölütlenmesi için k-means kümeleme yöntemini önermiştir. Ancak k- means yöntemi beyin MR görüntülerinin kümelenmesinde bazı kısıtlamalara sahiptir. Buna karşın FCM daha başarılı sonuçlar elde etmektedir [11,12]. Alçı ve Akdemir [13] çalışmalarında bölütleme hakkında bilgi verilmiş, bölütleme teknikleri ve algoritmaları açıklanmıştır. Algoritmalar içerisinde birbirine temas eden dokuları ayrılmasında daha etkili olan Watershed Algoritması ile beyin tümörlerini bölütlemişlerdir. Beyin tümörlerinin tespitinde yapay zeka yöntemleri de kullanılmaktadır. Danışmansız, yarışmacı bir öğreneme metodu olan SOM yöntemi ile Reddick v.d. [14] çalışmalarında beynin gri madde, beyaz madde ve diğer kısımlarını ayırmak için iki aşamalı bir sistem yaklaşımı sunmuşlardır. MR görüntüleri kullanılarak yapay sinir ağları ile görüntülerin eğitim işlemleri gerçekleştirilmiştir. Demirhan ve Güler [15] ise çalışmalarında
beyin MR görüntüleri çok çözünürlüklü dalgacık paketi dönüşümü ve SOM ağları kullanılarak kendilerini oluşturan gri madde, beyaz madde ve beyin sıvısı dokularına bölütlenmiştir. SOM yöntemi Vijayakumar v.d. [16] çalışmalarında ise hem beyin tümörünün bölütlenmesi hem de derecelendirilmesi amaçları için kullanılmıştır. Çalışmada farklı tipte MR görüntülerinden yararlanılmıştır. Bir diğer yapay zeka yöntemi ise yapay sinir ağlarıdır. Sınıflandırma, tahmin, uydurma, modelleme gibi birçok alanda değişik amaçlar için kullanılmaktadır. Sachdeva v.d.[17] çalışmalarında bölütleme, özellik çıkarımı ve sınıflandırma temelli beyin tümörlerinin tespiti yapan bir sistem önermişlerdir. Arakiri ve Reddy [18] çalışmalarında beyin tümörünün tespiti ve sınıflandırması için bir bilgisayar destekli sistem önermişlerdir. T1 ve T2 tipindeki MR görüntüleri ile özellik çıkarımı yapıldıktan sonra sınıflandırma yöntemleri ile başarı kıyaslaması yapılmıştır. Ancak tümörün aşaması belirlenmemiştir. Bu çalışmada, yukarıda bahsedilen gereklilikler doğrultusunda, beyin tümörlerinin bölütlenmesinde kullanılan yöntemlerden FCM, Otsu, Bölge Büyütme ve SOM yöntemlerinin, beyin tümörlerinde bölütleme başarım karşılaştırmaları yapılmıştır. Bu amaçla için de kullanıcı arayüzüne sahip bir uygulama yazılımının tasarımı gerçekleştirilmiştir. Çalışma kapsamında ilk olarak hastanelerden alınan MR görüntüleri ile geniş bir görüntü veritabanı oluşturulmuştur. Sonrasında ise bu veritabanından alınan görüntüler, görüntü işleme yöntemleri ile işlenerek tümör teşhisi gerçekleştirilmiştir. 2. Materyal ve Metot 2.1. Görüntü Veriseti Bu çalışmada farklı 30 hastadan toplamda 53 tane T1 ve T2-ağırlıklı MR görüntüsü toplanarak görüntü veritabanı oluşturulmuştur. Verisetindeki görüntüler yaşları 18 ve 72 arasında değişen, 11 tanesi bayan, 18 tanesi ise erkek olan gönüllü hastalardan oluşmaktadır. MR görüntüleri Dr. Nafiz Körez Sincan Devlet Hastanesi' ndeki MR cihazlarından sağlanmıştır. Görüntüler hastanedeki Siemens marka MR tarayıcılarından öncelikle DICOM formatı ile alınarak, daha sonra 2 boyutlu görüntü formatı şeklinde kaydedilmiştir. Görüntü verisetindeki beyin MR görüntüleri için bazı örnekler Şekil 1' de gösterilmiştir. Şekil 1. Görüntü verisetinden örnek beyin MR görüntüleri 2.2. Görüntü Bölütleme Yöntemleri Bu çalışmada, MR görüntülerini üzerinde beyin tümörlerinin otomatik bölütlenmesi ve tespiti için, Bulanık C-Ortalamalar (FCM), Otsu Metodu, Bölge Büyütme (Region Growing) ve Öz-Düzenleyici Haritalar (SOM) yöntemleri kullanılarak, karşılaştırmalı analizleri gerçekleştirilmiştir. 2.2.1. Bulanık C-Ortalamaları (FCM) Bulanık C-Ortalamaları (Fuzzy C-Means FCM) algoritması 173 yılında Dunn tarafında ortaya atılmıştır ve 1981 yılında Bezdek tarafından geliştirilmiştir [19]. Bu yöntem görüntü işleme, kümeleme ve bölütleme işlemlerinde sıkça kullanılan kullanılmaktadır [20].
FCM algoritmasında görüntü iki veya daha fazla kümeye ayrılarak bölütleme işlemi gerçekleştirilmektedir. İteratif olarak çalışan FCM algoritmasında her iterasyon sonrasında küme merkezleri tekrardan hesaplanmaktadır. FCM algoritmasının ilk olarak bir üyelik matrisi tanımlanır ve matriste yer alan her bir elemana üyelik değerleri atanır. Üyelik matrisinin değerleri atandıktan sonra kümeler için merkez vektörleri belirlenir. Bulunan küme merkezi değerlerine göre üyelik değerleri hesaplanır. Hesaplanan yeni değerlere göre verinin hangi kümeye ait olduğu belirlenmiş olur [21]. 2.2.2. Bölge Büyütme (Region Growing) Bölge Büyütme Yöntemi (Region Growing) bir pikselin komşu piksellerle değerlendirmesi sonucu bir köşe tespit edilmezse bir bölge sınıfına dahil edildiği görüntü bölütlemesinde kullanılan bir yaklaşımdır [22]. Bu işlem iteratif olarak bölgedeki her sınır için yürütülür. Yöntemde ilk olarak görüntünün belirli bir bölgesi üzerinde bir tohum piksel noktası seçilerek başlar. Daha Sonra komşu piksellerin seçilen tohum piksele renk, yoğunluk ve parlaklık açısından benzerliği test edilerek bölge büyütülür. İlk piksel/piksel grubu manuel veya otomatik olarak görüntü üzerinden belirlenir. Başlangıç tohum pikseli ile yeni/aday piksel arasında bir benzerlik değeri hesaplanarak, eğer yeni piksel bu benzerlik değerinden küçükse bölgeye dahil edilir, değilse yani yeni piksel seçilen tohum piksele istenilen oranda benzer değilse yeni bir aday piksel seçilerek adımlar tekrarlanır [23]. 2.2.3. Öz-Düzenleyici Haritalar (SOM) Öz-düzenleyici haritalar (Self-Organizing Maps, SOM) yapay sinir ağlarının özel bir biçimidir ve Kohonen tarafından geliştirilmiş danışmansız öğrenme yöntemidir [24]. Görüntü bölütleme, sınıflandırma ve kümeleme gibi uygulamalarda sıklıkla tercih edilmektedir [25]. Temel olarak çok boyutlu girdilerin daha az boyuttaki çıktılara indirgenmesini amaçlayan bir boyut azaltma işlemidir. SOM ağlarının ilk aşamasında rekabetçi öğrenme çalışma ile sistem kendini eğitmektedir. İkinci aşamada ise haritalama yapılarak ağ, gelen yeni girdiyi doğru haritalamaya için çalışır. 2.2.4. Otsu Metodu Otsu metodu, gri seviye görüntüler üzerinde uygulanabilen bir eşik tespit yöntemi ile görüntü bölütlemesinde kullanılan bir metottur. Bu yöntem ile görüntünün arka plan ve ön görüntü olmak üzere iki renk sınıfından oluştuğu varsayılır. Daha sonra tüm eşik değerleri için bu iki renk sınıfının varyans değeri hesaplanır. Bu değerin en küçük olmasını sağlayan eşik değeri, en uygun eşik değeridir. Bu eşik değerine göre görüntü ikili resme dönüştürülerek bölütleme işlemi tamamlanmış olur. Yöntem gri seviye görüntüler üzerinde çalışır ve renklerin histogramını kullanır. 3. Geliştirilen Uygulama Yazılımı Çalışmada tüm uygulamalar MATLAB yazılımının ile oluşturulan uygulama üzerinde gerçekleştirilmiştir. Tüm deneysel çalışmalar 2,2 Ghz i7 işlemcili ve 6 GB belleğe sahip bir bilgisayar üzerinde yapılmıştır. Önerilen sistemde, beyin tümörlerinin bölütlenmesi için kullanıcı arayüzüne sahip bir uygulama tasarımı gerçekleştirilmiştir. Bu uygulama üzerinde FCM, Bölge Büyütme ve Öz-Düzenleyici Haritalar ve Otsu yöntemleri ile MR görüntülerinin bölütlenmesi sağlanarak, tümörün tespiti bilgisayar destekli olarak yapılabilmektedir. Şekil 2' de tasarlanan uygulamanın arayüzü gösterilmiştir.
FCM ile gerçekleştirilen bölütleme işleminde tümör bölgesinin büyük oranda bölütlendiği, ancak bazı kalıntılar olduğu görülmektedir. Şekil 5' te ise beyin MR görüntüsünün Bölge Büyütme yöntemi ile bölütlenmiş hali görülmektedir. Şekil 2. Tasarlanan uygulamanın arayüzü Uygulama çalıştırıldıktan sonra ilk aşama Şekil 3 üzerinde gösterildiği gibi görüntü veritabanından uygun bir beyin MR görüntüsünün seçilmesidir. MR görüntüsü yazılıma yüklendikten sonra, görüntü önişleme teknikleri ile görüntü üzerindeki pürüzlerin yok edilmesi, küçük kalıntıların çıkarılması, çekim esnasında oluşabilecek hataların giderilmesi gibi işlemlerin yürütülmesi gereklidir. Yazılımda bu işlemler Şekil 3' te görülen Ön-işleme butonu ile sağlanmaktadır. Şekil 5. Bölge Büyütme ile bölütleme Şekil5' te Bölge Büyütme ile bölütlenmiş resim incelendiğinde yine bazı gereksiz kalıntıların kaldığı görülmektedir. Şekil 6' da ise Som yöntemi ile bölütlenmiş beyin MR görüntüsü örneği sunulmuştur. Şekil 3. Yazılıma MR görüntüsü yükleme ve önişleme Görüntü üzerinde ön-işleme yapıldıktan sonra sırasıyla her bir bölütleme yöntemi ile görüntüler bölütlenmiştir. Şekil 4' te FCM yöntemi ile bölütlenmiş beyin MR görüntüsü görülmektedir. Şekil 6. SOM ile bölütleme SOM yöntemi ile bölütlenen görüntü incelendiğinde FCM yöntemine benzer bir bölütleme sonucu elde edilmiştir. Şekil7' de Otsu metodu ile bölütlenmiş beyin MR görüntüsü örneği gösterilmiştir. Şekil 4. FCM yöntemi ile bölütleme Şekil 7. Otsu metodu ile bölütleme
Çalışmamızda, 53 görüntü üzerinde tüm bölütleme yöntemlerinin sonuçları değerlendirildiğinde en başarılı yöntemlerin SOM ve FCM yöntemleri olduğu görülmüştür. Görüntülerin çoğunda bu iki yöntem ile uzmanın bölütleme sonucuna yakın bölütleme sonuçları elde edilmiştir. 4. Sonuç ve Öneriler Bu çalışmada MR görüntüleri üzerinde beyin tümörlerinin tespitini / bölütlemesini başarılı olarak sağlayabilen otomatik bir bilgisayar destekli tespit sistemi ve uygulaması önerilmiştir. FCM ve SOM yöntemleri ile Otsu ve Bölge Büyütme yöntemlerine göre daha başarılı sonuçlar elde edilmiştir. Tasarlanan uygulama yazılımının hekimlerin karar verme aşamasında ikincil bir araç olarak kullanılabileceği gösterilmiştir. Ancak bölütleme sonuçlarında oluşan hataların minimize edilmesi için çalışmada yeni yöntemlerin kullanılması gerekmektedir. 5. Kaynaklar [1] American Society of Clinical Oncology (ASCO). http://www.asco.org/ (31.10.2015). [2] World Health Organization, World health organization cancer fact sheets. http://www.who.int/mediacentre/factsheets/fs2 97/en/index.html. (31.10.2015). [3] Jaya J, Thanuskodi K. "Certain investigations on MRI segmentation for the implementation of CAD system". WSEAS Trans. Comput., 10(6), 189-198, 2011. [4] Huo J, Okada K, Kim HJ, Pope WB, Goldin JG, Alger J, Brown MS. "CADrx for GBM brain tumors: predicting treatment response from changes in diffusion weighted MRI". Algorithms, 2(4), 1350-1367, 2009. [5] Dandıl E, Çakıroğlu M, Elşi Z. "Computer- Aided Diagnosis of Malign nad Benign Brain Tumors on MR Images". Advances in Intelligent Systems and Computing, 311, 15-166, 2015. [6] Arakeri MP,Reddy GRM. "Computer-aided diagnosis system for tissue characterization of brain tumor on magnetic resonance images". Signal, Image and Video Processing, 1-17, 2013. [7] Doi K. "Computer-aided diagnosis in medical imaging: historical review, current status and future potential". Computerized medical imaging and graphics, 31(4-5),198-211, 2007. [8] John P. "Brain tumor classification using wavelet and texture based neural network". Int. J. Sci. Eng. Research, 3(10),2012. [9] Fletcher-Health LM, Hall L, Goldgof DB, Murtagh F. "Automatic segmentation of nonenhancing brain tumors in magnetic resonance images". Artificial Intelligence Medicine, 21, 43-63, 2001. [10] Juang LH, Wu M. "MRI brain lesion image detection based on color-converted K-means clustering segmentation". Measurement, 43(7), 941-949, 2010. [11] Kolen JF, Hutcheson T. "Reducing the time complexity of the fuzzy c-means algorithm". IEEE Trans. Fuzy Syst., 10(2), 263-267, 2002. [12] Murugavalli S, Rajamani V. "A high speed parallel fuzzy c-mean algorithm for brain tumor segmentation". Bioinform. Med. Eng., 6(1), 29-34, 2006. [13] Alçı, M., Akdemir, S. "Beynin MR Görüntülerinin Watershed Algoritmasi Yardimiyla Bölütlenmesi.", EMO (emo.org.tr), 1-4. [14] Reddcik WE, Glass JO, Cook EN, Elkin T, Deaton R. "Automated segmentation and classifcation of multispectral magnetic resonance images of brain using artificial neural networks". IEEE Trans. Med. Imaging, 16(6). 911-918, 1997. [15] Demirhan A, Güler İ. "Özörgütlemeli Harita Ağlari ve Gri Düzey Eş Oluşum Matrisleri ile Görüntü Bölütleme". Journal of the Faculty of Engineering & Architecture of Gazi University, 25(2), 2010. [16] Vijayakumar C, Damayanti G, Pant R, Sreedhar CM. "Segmentation and grading of brain tumors on apparent diffusion coefficient images using self-organizing maps". Computerized Medical Imaging and Graphics, 31, 473-484, 2007. [17] Sachdeva J, Kumar V, Gupta I, Khandelwal N,Ahuja CK. "Segmentation, feature extraction, and multiclass brain tumor classification". J Digit Imaging, 26(6), 1141-50 2013. [18] Arakeri MP, Reddy GRM. "Computer-aided diagnosis system for tissue characterization of brain tumor on magnetic resonance images". Signal, Image and Video Processing, 1-17, 2013.
[19] Aslantaş A, Dandıl E, Çakiroğlu M. "Detection of Bone Metastases Using FCM and Edge Detection Algorithm". International Journal of Information and Electronics Engineering vol. 4, no. 6, pp. 423-427, 2014. [20] http://home.dei.polimi.it/matteucc/clustering /tutorial_html/cmeans.html, (Erişim Tarihi: Kasım, 2015). [21] Hoppner F, Klawonn F, Kruse R, Runkler T, Fuzzy Cluster Analysis, Wiley, 1999. [22] Kamdi S, Krishna RK, "Image Segmentation and Region Growing Algorithm". International Journal of Computer Technology and Electronics Engineering (IJCTEE), Volume 2(1). [23] Darga S, Evirgen H, Çakıroğlu M, Dandıl E. "BT Görüntüleri Üzerinde Pankreasın Bölge Büyütme Yöntemi ile Yarı Otomatik Segmentasyonu". International Conference and Exhibition on Electronic, Computer and Automation Technologies (ICEECAT 14), pp. 55-58, May 9-11, 2014, Konya, Turkey. [24] Kohonen T. Self-Organizing Maps, 3rd Edition, Springer, 2001. [25] Dandıl E, Çakıroglu M, Eksi Z, Ozkan M, Kurt OK, Canan A. "Artificial neural networkbased classification system for lung nodules on computed tomography scans". In Soft Computing and Pattern Recognition (SoCPaR), 2014 6th International Conference of (pp. 382-386). IEEE.