SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2018 / Cilt: 33 - Sayı: 4

3-boyutlu fırçacık dönüşümü tabanlı tıbbi hacim iyileştirme

Alper SELVER
Oğuz DİCLE
Pages
1215–1230
Publication Date
2018-12-19
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yöntemin farklı görüntü serilerine uygulanması ile elde edilen sonuçların referans veriler ve UFB seçimi temelli yöntemlerle kıyaslanması suretiyle başarımı karşılaştırmalı olarak değerlendirilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Tıbbi hacim görüntülemede DICOM verisininin renk ve opaklığa atanması ile görsel temsili sağlayan Transfer Fonksiyon (TF) saptama, etkileşimli DVR (direct volume rendering) sürecinin tümleşik bir parçasıdır.
📊
Key Findings & Data:Etkin TF belirleme amacıyla son yıllarda tanım kümesinin verinin doku özellikleri ile çok boyutlu oluşturulmasının önemi birçok çalışmada vurgulanmıştır.
💡
Conclusion & Impact:Yöntemin farklı görüntü serilerine uygulanması ile elde edilen sonuçların referans veriler ve UFB seçimi temelli yöntemlerle kıyaslanması suretiyle başarımı karşılaştırmalı olarak değerlendirilmiştir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Tıbbi Görüntüleme · Transfer Fonksiyon Saptama · Fırçacık Dönüşümü

Özet

Tıbbi hacim görüntülemede DICOM verisininin renk ve opaklığa atanması ile görsel temsili sağlayan Transfer Fonksiyon (TF) saptama, etkileşimli DVR (direct volume rendering) sürecinin tümleşik bir parçasıdır. Etkin TF belirleme amacıyla son yıllarda tanım kümesinin verinin doku özellikleri ile çok boyutlu oluşturulmasının önemi birçok çalışmada vurgulanmıştır. Bu doğrultuda, fırçacık dönüşümü aracılığı ile tanımlanan TF saptama yöntemlerinin, istatistiksel ve diğer uzay-frekans tabanlı doku çıkarma yöntemlerine (dalgacık dönüşümü, filtre bankaları, rastgele yönelimli filtreler vb.) göre üstünlükleri ve 3B tıbbi görüntülemede etkinliği yazında gösterilmiştir. 3B verinin fırçacık dönüşümü ile elde edilen uzay-frekans blokları (UFB) içerisinden, yalnızca radyologlar tarafından seçilenlerinin geriçatmada (ters-dönüşüm) kullanıldığı bu yöntem ile özellikle batın bölgesi organlarında (karaciğer, böbrekler, dalak) görüntüleme başarımı arttırılmıştır. Bu çalışmada, UFB’lerin bazılarının seçilerek geriçatmada kullanılması yerine, tüm UFB’lerin ağırlıklandırılarak ters dönüşüm alınmasına dayanan yeni bir yaklaşım gerçekleştirilmiştir. Bu amaçla, 3B görüntülenmek istenen nesne ve ağırlıklandırılmış UFB’lerin geriçatılmasından elde edilen sonucun karşılaştırılması ile hesaplanan hatayı minimize edecek eniyilenmiş UFB ağırlıklarının, destek vektör makineleri aracılığı ile belirlenmesine dayalı özgün bir TF saptama yöntemi geliştirilmiştir. Yöntemin farklı görüntü serilerine uygulanması ile elde edilen sonuçların referans veriler ve UFB seçimi temelli yöntemlerle kıyaslanması suretiyle başarımı karşılaştırmalı olarak değerlendirilmiştir.

🔖

Cite This Article

SELVER, A., DİCLE, O. (2018). 3-boyutlu fırçacık dönüşümü tabanlı tıbbi hacim iyileştirme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 33 - Sayı: 4, 1215–1230. https://ajindex.com/articles/20029

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. National Electrical Manufacturers Association (NEMA), Digital imaging and communications in medicine (DICOM), version: 2015,
  2. Virginia, USA. Available: http://medical.nema.org/standard.html.
  3. Fischer F., Selver M. A., Gezer S., Dicle O., Hillen W., Systematic parameterization, storage, and representation of volumetric DICOM data, Journal of medical and biological engineering, 35(6), 709-723, 2015.
  4. Ljung, P., Krüger, J., Groller, E., Hadwiger, M., Hansen, C. D., & Ynnerman, A., State of the art in transfer functions for direct volume rendering. In Computer Graphics Forum, 35(3), 669-691, June, 2016.
  5. Selvi, E., Selver, M., Kavur, A., Güzeliş, C., Dicle, O., Segmentation Of Abdominal Organs From MR Images Using Multi-Level Hierarchical Classification, Journal of the Faculty of Engineering and Architecture of Gazi University, 30(3), 2015.
  6. Kaya, H., Çavuşoğlu, A., Çakmak, H., Şen, B., Delen, D., Supporting the diagnosis process and processes after treatment by using image segmentation and image simulation techniques: Keratoconus example, Journal of the Faculty of Engineering and Architecture of Gazi University, 31(3), 2016.
  7. Pfister, H., Lorensen, B., Bajaj C., Kindlmann G., Schroeder W., Machiraju R., “The Transfer Function Bake-Off,” Proc. 11th IEEE Visualization Conf. (VIS ’00), 523-526, 2000.
  8. Sato, Y., Westin, C. F., Bhalerao, A., Nakajima, S., Shiraga, N., Tamura, S., Kikinis, R., Tissue classification based on 3D local intensity structures for volume rendering, IEEE Transactions on visualization and computer graphics, 6(2), 160-180, 2000.
  9. Lundström, C., Ynnerman, A., Ljung, P., Persson, A., Knutsson, H., The alpha-histogram: Using spatial coherence to enhance histograms and transfer function design, in Proc. IEEE-VGTC Symp. Vis., Lisbon, Portugal, 227–234, 2006.
  10. Selver M. A., Fischer F., Kuntalp M., Hillen W., A software tool for interactive generation, representation, and systematical storage of transfer functions for 3D medical images, Comput. Methods Programs Biomed., 86, 270–280, 2007.
  11. Selver M. A, Güzeliş C., Semi-Automatic Transfer Function Initialization for Abdominal Visualization using Self Generating Hierarchical Radial Basis Function Networks, IEEE Transactions on Visualization and Computer Graphics, 15(3), 395-409, May-June 2009.
  12. Tzeng F.-Y., Lum E. B., Ma K.-L., An intelligent system approach to higher-dimensional classification of volume data, IEEE Trans. Vis. Comput. Graph., 11(3), 273–284, May/Jun. 2005.
  13. Kniss J. M., Van Uitert Jr. R. L., Ste