Nkil Öncesi Verici Değerlendirmeleri için Otomtik Krciğer Bölütleme Yordmı M. Alper SELVER, Aykut KOCAOĞLU, Htice DOĞAN, Güleser K. DEMİR, Oğuz DİCLE b, Cüneyt GÜZELİŞ Elektrik ve Elektronik Mühendisliği Bölümü, Dokuz Eylül Üniversitesi, İzmir b Rdyodignostik AD, Dokuz Eylül Üniversitesi, İzmir 1. Giriş An Automtic Segmenttion Algorithm for Pre-Evlution of Liver Trnsplnttion Donors Abstrct In order to mke liver trnsplnt preprtions nd plns prior to opertion, it is very importnt to clculte the liver volume nd determine the vessel structure of donor from digitl bdominl Computed Tomogrphy. A successful segmenttion of the liver is wht needs to be done for tht purpose. This process should be done utomticlly since the mnul segmenttion of the liver is very time consuming, tedious nd experience dependent. However, n utomtic segmenttion lgorithm must overcome severl chllenges including the gry level similrities of djcent orgns, injection of contrst medi nd prtil volume effect problems. In this pper, we propose n lgorithm tht cn hndle these problems by using Multilyer perceptron network nd n itertive pproch. Strting with the segmenttion of reference imge, the developed lgorithm includes pre-processing, clssifiction nd post-processing stges. The proposed method is pplied to 20 donor dtsets nd its performnce shows tht it is useful for clinicl ppliction. Key Words Segmenttion, Liver, Computerized Tomogrphy, Multi Lyer Perceptron Network Özet Krciğer nkli öncesinde vericinin krciğer hcminin hesplnmsı ve krciğer dmr ypısının belirlenmesi opersyon plnlmsı çısındn önemlidir. Bu mçl, dijitl Bilgisyrlı Tomogrfi görüntülerini kullnrk 3 boyutlu böbrek bölütlemesi ypılmlıdır. Bu işlem otomtik olrk gerçekleştirilmelidir, çünkü yüksek kesit syısı sebebiyle krciğerin doktor trfındn elcil olrk bölütlenmesi çok zor, zmn lıcı ve kullnıcının tecrübesine bğlı bir işlemdir. Anck otomtik bir bölütleme yordmının bitişik orgnlrın benzer gri seviye değerlerine ship olmsı, kontrst mdde enjeksiyonu ve kısmi hcim etkilerinden kynklnn pek çok zorluğu şmsı gerekmektedir. Bu çlışmd, çok ktmnlı ypy sinir ğlrı kullnılrk bu sorunlrl bş edebilen otomtik ve uyrlmlı bir krciğer bölütleme yöntemi geliştirilmiştir. Yöntem, ön-işleme, sınıflm ve son işleme olmk üzere üç dımdn oluşmktdır. 20 görüntü serisine uygulnn yöntemin bşrımı ln ht ornı ile değerlendirilmiştir ve bşrımın klinik kullnım için uygun olduğu gözlemlenmiştir. Anhtr Kelimeler Bölütleme, Krciğer, Bilgisyrlı Tomogrfi, Çok Ktmnlı Ağ Krciğer nkli öncesinde vericinin krciğer hcminin hesplnmsı ve krciğer dmr ypısının belirlenmesi opersyon plnlmsı çısındn önemlidir. Krciğerin ntomik ypısı, opk mdde verilerek gerçekleştirilen Bilgisyrlı Tomogrfi (BT) ile etkin bir biçimde belirlenebilmektedir. Son yıllrd, görüntü lm teknolojisindeki hızlı gelişim sonucu, BT görüntüleri film yerine syısl bilgi hlinde sklnıp incelenebilmektedir. Syısl görüntü gösterimi ve işlenmesi lnındki gelişmelerin yrdımı ile de bu görüntülerin incelenmesinde yeni tekniklerin kullnılmsı d mümkün olmktdır. Ayrıc bu syısl çoklu veri dilimleri, çeşitli görüntüleme teknikleri kullnılrk 3 Boyutlu (3B) görüntülerin oluşturulmsınd, tnı, meliyt benzetimi ve ışın tedvisi plnlm gibi pek çok lnd d kullnılbilmektedir. Benzer şekilde krciğer hcmi ve dmr ypısı d bu şekilde incelenebilir. Bu inceleme öncesinde krciğere it piksellerin syısl veri içerisinde belirlenmesi ve diğer verilerden yrılmsı (bölütleme) gereklidir. 10
Veri dilimlerinden krciğerin elcil yöntemler ile bölütlenmesi yorucu, zmn lıcı ve tecrübe gerektiren bir işlem olduğundn, otomtik bölütleme yordmlrın ihtiyç duyulmktdır. Anck şğıd beliritilen nedenlerden dolyı krciğerin otomtik olrk bölütlenmesi çok zordur. Şekil 1 de görüldüğü gibi her kesitte krciğerin büyüklüğü, şekli ve krciğeri çevreleyen orgnlr değişmektedir. Ayrıc çekim sırsınd dmrlr verilen opk mddenin frklı orgnlrın frklı derecelerde prlklşmsın sebep olmsı, krciğere komşu orgnlrın gri seviye değerlerinin krciğere çok ykın olbilmesi ve krciğerin frklı kişilerde çok frklı şekillere ship olbilmesi gibi nedenler bölütlemeyi zorlştırn nedenlerdendir. Bu krmşık ntomik sistem krciğerin üç boyutlu görüntülenmesi öncesinde krmşık ve uyrlmlı bir bölütleme yordmı kullnılmsını zorunlu kılr. Yzınd krciğer bölütlenmesi mcıyl Be ve diğerleri [1] morfolojik yöntemleri ve gri seviye eşikleme yöntemini kullnırken, Go ve diğerleri [2] bu yöntemi prmetrik bozunmlı dış htlr (deformble contour) modeli ile birleştirmiştir. Ypy sinir ğlrı ise piksel sınıflm için Tsi [3] trfındn ve öznitelik tbnlı bölütleme mcıyl Husin ve diğerleri [4] trfındn kullnılmıştır. Bu çlışmlrın tmmı yrı otomtik olup, Seo ve diğerleri [5] ise öncelikle omurgyı belirlemiş, bulunn omurgyı referns olrk kullnıp, morfolojik yöntemleri kullnn bir krr meknizmsıyl krciğeri otomtik olrk bölütlemiştir. Yzınd yer ln yrı otomtik yöntemlerden bzılrı vroln krciğer bölütleme sistemlerinde kullnılmıştır [6-8]. Anck ypy sinir ğlrı vroln sistemlerde kullnılmmıştır. Bir bşk deyişle yzınd ypy sinir ğlrı kullnılrk gerçekleştirilen çlışmlr prtiğe, yni ktif olrk kullnıln yzılımlr dönüştürülmemiştir. Yzınd yer ln tüm çlışmlr ve yzılım tümleştirilmiş tüm teknikler incelenerek eksik ve zyıf oln yönleri belirlenmiştir. Vroln çlışmlrın tümünde BT serileri çok doruklu dğılım (multimodl) histogrmın ship yüksek çözünürlüklü görüntülerdir (Şekil-1., b). Bu histogrmlrd krciğer ve diğer dokulr frklı tepeler oluşturur. Anck cihz özelliklerine ve diğer prmetrelere bğlı olrk BT serileri iki doruklu dğılım (bimodl) histogrmın d ship olbilir. Bimodl histogrmlrd krciğer ve diğer dokulr ynı tepede yer lır. Bu nedenle krciğer dokulrı tepelerin belirlenmesi y d eşikleme yöntemleriyle yırt edilemez. Krciğerin yer ldığı Hounsfield değer rlığın göre gri seviye eşiklemesi de bzı çlışmlrd yer ln bir yöntemdir. Anck frklı cihzlrdn lınn y d ynı cihzdn frklı prmetrelerle lınn görüntülerde bu rlık değişebilmektedir ki bu d eşikleme yöntemini bşrısız kılmktdır. Yine bu çlışmlrın tmmınd krciğer tek y d iki prçlı olrk ele lınrk bölütlenmiştir. Anck krciğer kesit görüntülerinde üç prçlı olrk d bulunbilmektedir (Şekil-1.c). Vroln yöntemlerden bzılrı krciğeri kesit görüntüdeki en büyük orgn (Şekil-1.,c,d) olrk kbul etmektedir nck pek çok kesit görüntüde krciğer dlk, böbrek ve omurgdn küçük olbilmektedir (Şekil-1.b). Son olrk, vklrın yklşık yüzde 10 il 15 inde görülen tipik krciğerin (Şekil-1.d) bölütlenmesi y hiç ele lınmmış, y d elcil olrk bölütleme gerektiren bir özel durum olrk bırkılmıştır. () (b) (c) (d) Şekil-1. Dört frklı bdominl BT serisi için birer örnek kesit () Yüksek kontrstlı, multimodl histogrm ship, (b) Böbreğin krciğerden dh büyük olduğu (c) Düşük kontrstlı, bimodl histogrm ship, kesitte üç prçlı krciğer (d) Atipik şekilli krciğer, görüntü örnekleri Çlışmnın geri klnı şu şekilde düzenlenmiştir: 2. bölümde görüntü serilerinin elde edilmesi ile veri setinin oluşturulmsı çıklnmıştır. 3. bölümde, üç kdemeli bölütleme lgoritmsının dımlrı, önişleme, sınıflm ve son-işleme, nltılmıştır. 4. bölümde bşrım ln ht ornı yöntemi ile değerlendirilmiştir ve sonuçlr 5. bölümde trtışılmıştır. 11
2. Gereç ve Yöntem Dokuz Eylül Üniversitesi Tıp Fkültesi Rdyodignostik Anbilim Dlı görüntü rşivleme sisteminden 20 vericiye it görüntü serisi lınmıştır. Görüntü serileri, dmrdn opk mdde verilmesini tkiben portl fzd çekilmiş BT görüntüleridir ve 3,2 mm kesit klınlığı ile çekilmişlerdir. Serilerdeki kesit syılrı 70 ile 115 rsınddır. Elde edilen görüntüler, DICOM formtınd olup 12 bittir nck bölütleme öncesinde uygun bir dönüşüm ile 8 bit görüntü hline dönüştürülmektedir. Bu dönüşüm sırsınd doğrudn [0-4095] rlığındn [0-255] rlığın bir dönüşüm kullnılmmış, bunun yerine dönüşüm, görüntü piksellerinin yoğun olrk bulunduğu ln sınırlndırılrk dinmik rlığı rtırn bir gri seviye rlığı kullnılmıştır. Bu işlem için gerekli oln pencere merkezi ve pencere genişliği bilgileri DICOM met üstbilgisinden elde edilmiştir. Elde edilen görüntülerde yer ln krciğer görüntüler uzmn bir rdyolog trfındn elcil olrk bölütlenerek referns görüntü serileri oluşturulmuştur. Krciğer bölütlemesi için geliştirilen bölütleme yöntemi üç şmdn oluşmktdır: Ön-işleme, sınıflm ve son-işleme. Her şmd gerçekleştirilen işlemler ve elde edilen sonuçlr şğıd mddeler hlinde çıklnmıştır: Ön-işleme Ön-işleme şmsınd ntomik bilgilerden yrrlnılrk BT görüntülerinde krciğere it olmdığı kesin oln bölgelerin görüntüden yıklnmsı mçlnmktdır. Bu syede ikinci şmd kullnılck oln sınıflyıcının bşrımının rtırılmsı ve işlem zmnının kısltılmsı hedeflenmektedir. Önişlemede öncelikle yğ dokusu, dh sonr kburglr ve omurlr belirlenerek yıklnmktdır. Belirlenen kburglr ve omurg ynı zmnd krciğerin tmmen içinde bulunduğu bir ilgi lnı (Region of Interest - ROI) oluşturulmsını sğlmktdır. Yğ dokusunun belirlenmesi için, uyrlmlı (dptif) bir eşikleme yöntemi uygulnmktdır. Şekil- 2. d bir bdominl BT serisinin hcim histogrmını göstermektedir. Histogrmd görülen ilk tepe rk pln ve yğ dokusun ittir. Bir bulnıklştırıcı filtre ile histogrm düzgünleştirildiğinde (Şekil- 2.b), histogrmın türevinin negtif değerden pozitif değere döndüğü ilk nokt, yğ dokusun krşılık gelen ilk tepenin bittiği değeri verir (Şekil-2.c). Bu değer ile eşikleme ypıldığınd sıl görüntüden yğ ve rk pln bilgileri (Şekil-3.b) tılmış olur. Yöntem bimodl histogrm ship hcim verilerinde de doğru şekilde çlışmktdır. () (b) (c) Şekil-2. () Hcimsel histogrm (b)filtrelenmiş hcimsel histogrm (c) Histogrmın türevi Kburglr ve omurgnın belirlenmesi için Hounsfield değerlerinden fydlnılmktdır. Hounsfield değerleri BT de suyun X ışınını zyıfltm değeri sıfır kbul edilerek, elde edilen diğer değerler bun göre orntılnrk, 2000 kdr gri tondn oluşn bsmklı göstergedir. BT görüntülerinde kemikler, cihz prmetrelerine y d diğer değişkenlerine bğlı olmksızın ynı Hounsfield değer rlığınd bulunur. 8 bit görüntülerde bu Hounsfield rlığı 255 gri seviyeye krşılık gelir. Bu bilgiden fydlnılrk 245 gri seviye eşik değerinin sıl görüntüye uygulnmsı ve yğ dokusun oln mesfe bilgisi kullnılrk elde edilen görüntü Şekil-3.c de verilmiştir. 12
Antomik olrk krciğerin hngi dokulr trfındn çevrelendiği bellidir. Bu bilginin bir ROI oluşturmkt kullnılmsı ile sınıflndırılck veri miktrının zltılmsı lgoritmnın bşrımını rtırmktdır. ROI yi oluşturmk için öncelikle krciğerin sğdn kburglr ve şğıdn omurg ile çevrilmiş olduğu bilgisi kullnılmktdır. Bir önceki kısımd pozisyonlrı belirlenen kburg ve omurglr sğdn ve lttn ROI sınırlrını oluşturur. Yukrıdn ise rk pln krşılık gelen sıfır gri seviyesinden frklı ilk pikseli ROI nin üst sınırını oluşturur. Vücudun sol ynınd ise krciğerin ntomisi değişkenlik gösterdiğinden, krciğer verisi kybetmemeyi kesinleştirmek için vücudun sol trfındn kburglrın bşldığı nokt ROI nin sol sınırını oluşturmktdır. Şekil 3.d belirlenen bir ROI yi göstermektedir. Ön işleme sonucund görüntünün boyutu ortlm %40 ornınd zltılmktdır. () (b) (c) (d) Şekil-3. ()BT görüntü kesiti (b) Yğ ve rk pln (c) Kburg ve omurg (d) ROI Sınıflm ve Son-İşleme Geliştirilen bölütleme sisteminin kış şemsı Şekil 4 de gösterilmiştir. İlk olrk görüntü serisinden bir Referns Görüntü (RG) seçilir. RG serideki kesit syısının üçte birine denk gelen kesit görüntü olrk seçilmektedir. Örneğin, 90 kesitlik bir seride 30. kesit RG dir. RG seçiminde bu yöntemin tercih edilme sebebi, serinin üçte birlik kısmın krşılık gelen kesitlerde krciğerin büyük ve tek prçlı olmsıdır. RG bölütlenmesi, ön-işlemeyi tkiben K-ortlmlr yönteminin uygulnmsıyl gerçekleştirilmektedir. RG de temel olrk 3 öbek bulunmktdır: Ark pln, çık renkli ve koyu renkli dokulr. Açık renkli orgn grubundki en büyük bğlı bileşen krciğeri verir ve krciğer RG de bölütlenmiş olur (Şekil-4). RG bölütlendikten sonr, ROI görüntüden üç tne öznitelik vektörü: Ortlm, stndrd spm ve mesfe dönüşümü çıkrtılmktdır. Ortlm özniteliği homojen lnlr, stndrd spm özniteliği kenrlr için belirleyicidir. Mesfe dönüşümü ise bölütlenmiş krciğere ykın yerlerde sıfır, krciğerden uzklştıkç 1 değerine yklşrk krciğer pozisyonunun belirlenmesinde etkilidir. Örnek bir kesit için bu üç özniteliğe krşılık gelen görüntüler Şekil-4 de verilmiştir. Elde edilen öznitelik vektörleri kullnılrk ypıln sınıflm, yzınd sıkç tercih edilen Çok Ktmnlı Ypy Sinir Ağı (ÇK-YSA) kullnılrk gerçekleştirilmiştir. ÇK-YSA bir giriş ktmnı, bir vey birden fzl r ktmn ve bir çıkış ktmnındn oluşn ileri beslemeli bir YSA tipidir. Giriş ktmnı giriş sinyllerini r ktmndki nöronlr dğıtır. Ar ktmndki tüm girişlerle ğırlıklr çrpılrk toplnır. Dh sonr toplnn bu değer bir ktivsyon işlevinden geçirilerek o nöronun çıkış değeri hesplnır. Çlışmmızd ktivsyon işlevi olrk tnsig seçilmiştir. Bu işlemler r ktmndki bütün nöronlr için tekrrlnır. Çıkış ktmnındki nöronlr için de, r ktmn nöronlrı için oln işlemler tekrrlnır ve ğ çıkış değerleri hesplnır. Bir çok öğretme lgoritmsı ÇK-YSA ğını eğitmede kullnılbilmektedir. Bu çlışmd yine yygın olrk kullnıln bir öğretme yöntemi oln geri yyılım yordmı tercih edilmiştir. Öznitelik vektörleri, ÇK-YSA nın üç girişini oluşturmktdır. Ağın gizli ktmnınd 8 nöron olup, çıkış tek nörondn (krciğer y d krciğer değil) oluşmktdır. Gizli ğdki 8 nöron deneysel olrk, işlem zmnı ve bşrım gözönüne lınrk belirlenmiştir. İlk dımd RG den çıkrıln öznitelik vektörleri yine RG yi bölütlemek üzere eğitilir ve test edilir. Bir bşk ifdeyle ğırlıklrın yrlnmsı mcıyl eğitimde giriş olrk RG den çıkrıln öznitelik vektörleri, çıkış olrk d bölütlenen RG kullnılmktdır. Eğitim işlemi %1 hty ulşıln kdr devm ettirilmekte ve yklşık olrk 500 itersyond tmmlnmktdır. 13
İkinci dımd bir sonrki/önceki görüntüye geçilir ve bu görüntüyü bölütlemek için bölütlenmiş RG den fydlnılır. Sonrki/önceki görüntüden ortlm ve stndrd spm, RG den ise mesfe dönüşümü öznitelikleri elde edilir. Bu vektörler ğ giriş olrk kullnılır ve sonrki/önceki görüntüde krciğer bölütlenir. Kesitler rsınd krciğer bir nd büyük ölçüde değişmediğinden, bir önceki/sonrki kesit icin hesplnn ğırlık değerleri üzerinde küçük bir değişiklik olur. Bu syede her kesit için yklşık 15-20 itersyond %1 ht kriteri ile bölütleme gerçekleştirilmiş olur. Yeni bölütlenen görüntü, işlem sonund yeni RG olur ve yordm bu şekilde serinin sonun ve bşın doğru devm eder. Son-işlemede bölütlenen krciğerin kenrlrı spline fonksiyonu ile düzgünleştirilir. Krciğerin n prçsının ynınd ikinci ve üçüncü prçlrın vrlığı morfolojik opertörler rcılığı ile kontrol edilir ve bölütleme tmmlnır (Şekil-5.,b). Bölütlenen kesitler 3B görüntüleme (Şekil-5.c) ve dh yrıntılı incelemeler (Şekil-5.d) için kullnılmy hzır olrk bilgisyr kydedilir. Şekil-4. Bölütleme yordmı kış şemsı 14
3. Bulgulr Bölütleme sonuçlrı Aln Ht Ornı (AHO) yöntemi ile değerlendirilmiştir. AHO Algoritm ile Bölütlenen Aln (ABA) ile Elcil Bölütlenen Aln (EBA) rsındki frk dylı bir değerlendirme tekniğidir. Bir birleşim lnı, BA=ABA U EBA ve bir kesişim lnı, KA= ABA EBA, tnımlndığınd, AHO şu şekilde hesplnır: BA - KA AHO= x 100% EBA Değerlendirmede, bölütleme sonucu ABA, rdyolog trfındn elcil yöntem ile bölütlenen görüntü ise EBA değerine krşılık gelmektedir. Şekil-6.. d veri setindeki 20 görüntü serisine it AHO sonuçlrı görülmektedir. Görüntü serilerinin değerlendirilmesi sonucund ortlm AHO değeri %12,56 olrk bulunmuştur. Şekil-6.b de ise 20 görüntü serisindeki ynı numrlı kesitler için hesplnn AHO grfiği görülmektedir. AHO değerlerinin ilk kesitler için dh yüksek değerler lmsının nedeni bu kesitlerde klp ve krciğer rsındki doku sınırının neredeyse yok olmsı ve bunun sonucund klbin bir kısmının bölütleme sonucun dhil edilmesindendir. AHO değerlendirmesi ABA ile EBA rsındki tek piksellik frk bile duyrlıdır. Anck çoğu durumd birkç piksellik frklr rdyologlr trfındn kbul edilebilir. () (b) (c) (d) Şekil-5. () Bölütleme sonucu: iki prçlı krciğer (b) Bölütleme sonucu: tipik krciğer, (c) 3 Boyutlu bölütleme, (d) Dmr ypısının 3Boyutlu görüntü içinden çıkrılmsı. H t Y ü z d e s i H t Y ü z d e s i Kesit Numrsı () Veri Seti Numrsı (b) Şekil-6. () 20 Veri seti için AHO değerleri (b) Aynı numrlı kesitler için ortlm AHO değerleri Geliştirilen yöntem Mtlb progrmlm dili ile gerçeklenmiştir. Yzılımın çlışm süresi 100 kesitlik bir görüntü serisi için ortlm 25 dkikdır. Bu süre 2GB RAM ve 3Ghz işlemci hızın ship stndrd bir Pentium 4 kişisel bilgisyrd gerçekleştirilmiştir. 3-B görüntülemede kolylık ve hız sğlmsı çısındn bilgisyrd 256 MB lık hrici bir ekrn krtı bulunmktdır. 15
4. Sonuç ve Trtışm Hcim bölütlemesinin, tıbbi uzmnlrın yrrlndığı bir rç olbilmesi için yöntemlerin bşrımının yeterince yüksek olmsı ve uygun işlem hızın ship bir yzılım hline getirilmesi gerekir. Bu çlışmd önerilen bölütleme yöntemi genel bşrım olrk uzmnlr trfındn umut verici bulunmuştur. Anck krciğer ve klbin çok ykın olduğu durumlrın dh yrıntılı ele lınmsı gerekmektedir. Yzınd ypy sinir ğlrı ile geliştirilmiş bölütleme çlışmlrı olmsın krşın, bu çlışmd uygulnn yöntemi diğer yöntemlerden frklı kıln önemli vntjlrı vrdır. Öncelikle, yöntem her kesit için yeniden isttistik hespldığındn kesitler rsındki kontrst frkındn etkilenmemektedir. Mesfe dönüşümü rcılığı ile kesitler rsındki krciğer büyüklük bğlntısı verimli bir şekilde kullnıldığındn, verisetinin %15 ini oluşturn tipik krciğere ship vericilerde de bşrılı bölütleme ypılbilmektedir. Referns görüntüden bşlyrk ilerleyen yöntemde, mpirik olrk belirlenmiş herhngi bir bilgi (Örnek: eşik değeri, orgn pozisyonu v.b.) kullnılmmkt ve tüm bilgiler bölütlenmekte oln görüntü serisinden çıkrılmktdır. Bu syede frklı BT cihzlrı, kontrst mdde enjeksiyonu ve hst özellikleri (boy, yş, kilo vb.) gibi değişken özelliklerden etkilenmeden bşrılı bölütleme gerçekleştirilebilmektedir. Çlışm süresi ve donnım gereksinimi çısındn düşünüldüğünde geliştirilen yzılım klinik kullnım uygundur. Yöntemin tm otomtik olmsı d önemli vntjlrındndır. Hlen krciğerin bölütlenmesini tkiben dmr ypısının bölütlenmesi üzerine çlışmlr sürmektedir. 5. Teşekkür Bu çlışm TÜBİTAK trfındn EEAG 104E178 numrlı proje kpsmınd desteklenmektedir. 6. Kynkç [1] Be, K.T. et l.., Automtic Segmenttion of Liver sturucture in CT Imges, Medicl Phys., Vol. 20. (1993), 71-78 [2] Go L., Heth, D.G., Kuszyk, B. S., Fishmn,.E.K., Automtic Liver Segmenttion Technique for Three-Dimensionl Visuliztion of CT Dt, Rdiology, Vol.201, (1996) 359-364 [3] Tsi, D. et l., Automtic Segmenttion of Liver Structure in CT imges Using Neurl Network, IEICE Trns. Fundmentls, Vol. E77-A. No.11. (1994) 1892-1895 [4] Husin, S.A. et l.,use of Neurl Networks for Feture Bsed Recognition of Liver Region on CT Imges, Neurrl Network for Signl Proc. Proceedings of the IEEE Work., Vol. 2., (2000) 831-840 [5] Seo K.S., Lonnie C.L., Prk, S.J., Prk, J.A., Efficient Liver Segmenttion Bsed on the Spine, LNCS 3261, Advnces in Informtion Systems (ADVIS), 2004, 400-409 [6] Fishmn, E.K.; Kuszyk, B.S.; Heth, D.G.; Luomin Go; Cbrl, B.; Surgicl plnning for liver resection, Computer Volume 29, Issue 1, Jn. 1996 Pge(s):64-72 Digitl Object Identifier 10.1109/2.481467 [7] Soler L., Delingette H., Mlndin G., Montgnt J., et l., Fully utomtic ntomicl, pthologicl, nd functionl segmenttion from CT scns for heptic surgery, SPIE Medicl Imging symposium, Sn Diego, CA, Februry 2000 [8] H. Bourquin, A. Schenk, F. Link, B. Preim, G, H., HepVision2: A softwre ssistnt for preopertive plnning in living-relted liver trnsplnttion nd oncologic liver surgery, Computer Assisted Rdiology nd Surgery, pges 341-346, Springer, 2002 7. Sorumlu Yzrın Adresi Mustf Alper SELVER, Dokuz Eylül Üniversitesi, Elektrik ve Elektronik Mühendisliği Bölümü, Kynklr Kmpüsü, Buc, Izmir, 35160, (Tel: +90 232 4127176; E-post: lper.selver@ eee.deu.edu.tr, Fx: +90 232 4531085) 16