AI Summary & Key Takeaways
AI InsightIt is aimed to develop a fully automatic segmentation algorithm that can be generalized for each patient in thefuture.
📌 3 Key Takeaways
Abstract
In recent years, medical image segmentation studies and the need for this issue are increasing rapidly. Semi or fully automaticsegmentation of the region to be diagnosed in medical images provides doctors with an important convenience for diagnosis.Especially in some countries where there is a lack of a doctor, it will be provided with a fully automatic segmentation method to assistthe treatment without a doctor. In this study, lung x-ray images of patients with pneumonia and healthy individuals were studied. Xray images are advantageous because they are cheaper and easier to interpret than other imaging methods. X-ray images were takenfrom the ready dataset and the image set consists of chest x-ray images of children under 5 years old. A total of 15 individuals (5healthy, 5 pneumonia (virus) patients, 5 pneumonia (bacteria) patients) were studied from the data set received. MATLAB programwas used for segmentation of lung areas. For segmentation, the images were first reduced to size after being taken to MATLAB. Then,by increasing the contrast of the images, filtering and thresholding process was done with appropriate filter design. Image SegmenterTool was used for thresholding process. Unlike other studies, active contour method was used to perform lung segmentation. Activecontour operation provides energy minimization by drawing skews inside and outside the lung boundaries, iteration continues untilequilibrium is achieved, so that the lung boundaries are determined. After active contour procedure, morphological procedures wereapplied, lung areas were removed and areas were calculated. As a result, semi-automatic segmentation was carried out using the activecontour model along with image processing procedures. A significant difference was obtained between the lung sizes of patients andhealthy individuals. It is aimed to develop a fully automatic segmentation algorithm that can be generalized for each patient in thefuture.
Özet
Son yıllarda tıbbi görüntü segmentasyonu çalışmaları ve bu konudaki ihtiyaç hızla artmaktadır. Tıbbi görüntülerde teşhis edilecek bölgenin yarı veya tam otomatik segmentasyonu, doktorlara tanı için önemli bir kolaylık sağlamaktadır. Özellikle doktor eksikliğinin olduğu bazı ülkelerde doktor olmadan tedaviye yardımcı olmak tam otomatik segmentasyon yöntemi ile sağlanmış olacaktır. Bu çalışmada pnömonili hastaların ve sağlıklı bireylerin akciğer röntgeni görüntüleri üzerinde çalışılmıştır. Röntgen görüntüleri diğer görüntüleme yöntemlerine göre daha ucuz ve yorumlanması kolay olmasından dolayı avantajlıdır. Röntgen görüntüleri hazır veri kümesinden alınmış olup, görüntü seti 5 yaşın altındaki çocukların göğüs röntgeni görüntülerinden oluşmaktadır. Alınan veri setinden toplam 15 birey (5 sağlıklı, 5 pnömonili (virüslü) hasta, 5 pnömonili (bakterili) hasta) üzerinde çalışma yapılmıştır. Akciğer alanlarının segmentasyonu için MATLAB programı kullanılmıştır. Segmentasyon için, öncelikle görüntüler MATLAB' e alındıktan sonra boyutu küçültülmüştür. Ardından görüntülerin kontrastı artırılarak, uygun filtre tasarımı ile filtreleme ve eşikleme işlemi yapılmıştır. Eşikleme işlemi için Image Segmenter Tool kullanılmıştır. Yapılan diğer çalışmlardan farklı olarak akciğer segmentasyonu yapmak için active contour yöntemi kullanılmıştır. Active contur işlemi akciğer sınırları içerisinde ve dışarısında eğeriler çizerek ve enerji minimasyonu sağlar, denge sağlanana kadar iterasyon devam eder böylelikle akciğer sınırları belirlenmiş olur. Active contour işleminden sonra morfolojik işlemler uygulanmıştır, akciğer alanları çıkartılmış ve alanları hesaplanmıştır. Sonuç olarak görüntü işleme prosedürleriyle birlikte aktif kontur modeli kullanılarak yarı otomatik segmentasyon gerçekleştirilmiştir. Hasta ve sağlıklı bireylerin akciğer boyutları arasında anlamlı bir fark elde edilmiştir. Gelecekte her hasta için genellenebilcek tam otomatik segmentasyon algoritmasının geliştirilmesi hedeflenmektedir.