SavedAdd your journal

Journals / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2021 / Cilt: 9 - Sayı: 6

Application of Reconstruction Algorithms by Simulation Experiments for the Diagnosis of Breast Tumor-Like Tissues Modeled in Diffuse Optical Tomography

Difüz Optik Tomografi’de Modellenmiş Meme Tümörü Benzeri Dokuların Teşhisi için Simülasyon Deneyleriyle Geri Çatım Algoritmalarının Uygulanması

Yiğit Ali ÜNCÜ
Murat CANPOLAT
Gençay SEVİM
Pages
167–176
Publication Date
2022-10-12
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)

Thus, we have concluded that TFQMR can have the potential to be used in medical imaging systems.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In Diffuse Optical Tomography (DOT), data processing and reconstruction stages are crucial to obtain high-quality images.
📊
Key Findings & Data:Outcomes of the reconstruction algorithms were evaluated based on correctly defining the location of the tumors by using Mean Percentage Error (MPE), Mean Squared Error (MSE), and Mean Absolute Error (MAE) metrics.
💡
Conclusion & Impact:Thus, we have concluded that TFQMR can have the potential to be used in medical imaging systems.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Geri Çatım Algoritması · Tekil Değer Ayrışımı · Bi-Konjuge Gradyan

Abstract

In Diffuse Optical Tomography (DOT), data processing and reconstruction stages are crucial to obtain high-quality images. Thus, choosing suitable algorithms for the system is a critical choice. This study aims to determine an appropriate reconstruction algorithm for DOT imaging. There are several reconstruction algorithms used in DOT systems. Some algorithms have been improved for solving specific cases, and some still need to be improved. In this study, we used three algorithms for the reconstruction process: Singular Value Decomposition (SVD), Bi-Conjugated Gradient (Bi-CG), and Transpose Free Quasi Minimal Residual (TFQMR). In testing the algorithms, data of the simulation experiments have been used. The simulation experiments model the tumoral tissue within the breast. All three algorithms were produced correct images while the tumor close to the surface. In the case of the tumor that is not close to the breast surface, the tumor location on the images created by Bi-CG and SVD algorithms was not its actual location. However, the tumor location in the image created by the TFQMR algorithm was close to its actual location. Outcomes of the reconstruction algorithms were evaluated based on correctly defining the location of the tumors by using Mean Percentage Error (MPE), Mean Squared Error (MSE), and Mean Absolute Error (MAE) metrics. We have demonstrated the TFQMR algorithm is a more appropriate reconstruction technique for DOT systems. Thus, we have concluded that TFQMR can have the potential to be used in medical imaging systems.

Özet

Difüz Optik Tomografide (DOT), yüksek kaliteli görüntüler elde etmek için veri işleme ve geri çatım aşamaları çok önemlidir. Bu nedenle, sistem için uygun algoritmaların belirlenmesi kritik bir seçimdir. Bu çalışma, DOT görüntüleme için uygun bir geri çatım algoritmasını belirlemeyi amaçlamaktadır. DOT sistemlerinde kullanılan birçok geri çatım algoritması vardır. Bazı algoritmalar belirli özel durumları çözmek için geliştirilmiştir ve bazılarının da hala iyileştirilmesi gerekmektedir. Bu çalışmada, geri çatım işlemi için üç algoritma kullanılmıştır; Tekil Değer Ayrışımı (SVD), Bi-Konjuge Gradyan (Bi-CG) ve Transpozesiz Yarı Minimal Rezidüel (TFQMR). Algoritmaların test edilmesinde simülasyon deneylerinin verileri kullanılmıştır. Simülasyon deneyleri, meme içindeki tümör dokusunu modellemektedir. Her üç algoritma da tümör yüzeye yakınken gerçeğe daha yakın görüntüler üretmiştir. Tümörün meme yüzeyine yakın olmaması durumunda ise, Bi-CG ve SVD algoritmaları ile oluşturulan görüntülerdeki tümör konumu gerçek konumu değildir. Ancak TFQMR algoritması ile oluşturulan görüntüdeki tümör konumu, gerçek konumuna yakın elde edilmiştir. Geri çatım algoritmalarının sonuçları, Ortalama Yüzde Hata (MPE), Ortalama Kare Hata (MSE) ve Ortalama Mutlak Hata (MAE) metrikleri kullanılarak tümörlerin lokasyonunun doğru tanımlanmasına dayalı olarak değerlendirilmiştir. TFQMR algoritmasının DOT sistemleri için daha uygun bir geri çatım tekniği olduğu gösterilmiştir. Böylece, TFQMR'nin tıbbi görüntüleme sistemlerinde kullanılma potansiyeline sahip olabileceği sonucuna varıldı.

🔖

Cite This Article

ÜNCÜ, Y. A., CANPOLAT, M., SEVİM, G. (2022). Application of Reconstruction Algorithms by Simulation Experiments for the Diagnosis of Breast Tumor-Like Tissues Modeled in Diffuse Optical Tomography. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 9 - Sayı: 6, 167–176. https://ajindex.com/articles/494160

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. T. Mercan, G. Sevim, Y. A. Üncü, U. Serkan, H. Ö. Kazancı, and M. Canpolat, “The Comparison of Reconstruction Algorithms for Diffuse Optical Tomography,” Süleyman Demirel Üniversitesi Fen Edeb. Fakültesi Fen Derg., vol. 14, no. 2, pp. 285–295, 2019
  2. G. Sevim, Y. A. Üncü, T. Mercan, and M. Canpolat, “Image reconstruction for diffuse optical tomography using bi-conjugate gradient and transpose-free quasi minimal residual algorithms and comparison of them,” Int. J. Imaging Syst. Technol., 1-12, Apr. 2021, doi:
  3. R. J. Gaudette et al., “A comparison study of linear reconstruction techniques for diffuse optical tomographic imaging of absorption coefficient,” Phys. Med. Biol., 45(4), 1051-70, Apr. 2000, doi: 10.1088/0031-9155/45/4/318
  4. D. A. Boas et al., “Imaging the body with diffuse optical tomography,” IEEE Signal Process. Mag., vol. 18, no. 6, pp. 57-75, Nov. 2001, doi: 10.1109/79.962278
  5. R. W. Freund and N. M. Nachtigal, “QMR: a quasi-minimal residual method for non-Hermitian linear systems,” Numer. Math., 60, 315–339 (1991), doi: 10.1007/BF01385726
  6. R. W. Freund, “A Transpose-Free Quasi-Minimal Residual Algorithm for Non-Hermitian Linear Systems,” SIAM J. Sci. Comput., 14(2), 470-482, 1993, doi: 10.1137/0914029
  7. R. E. Bank and T. F. Chan, “A composite step bi-conjugate gradient algorithm for nonsymmetric linear systems,” Numer. Algorithms, 7(1), 1-16, 1994, doi: 10.1007/BF02141258
  8. C. J. Willmott and K. Matsuura, “Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance,” Clim. Res., vol. 30, no. 1, pp. 79–82, Dec. 2005, doi: 10.3354/CR030079
  9. A. de Myttenaere, B. Golden, B. Le Grand, and F. Rossi, “Mean Absolute Percentage Error for regression models,” Neurocomputing, vol. 192, pp. 38–48, Jun. 2016, doi: 10.1016/J.NEUCOM.2015.12.114
  10. Z. Wang and A. C. Bovik, “Mean squared error: Lot it or leave it? A new look at signal fidelity measures,” IEEE Signal Process. Mag., vol. 26, no. 1, pp. 98–117, 2009, doi: 10.1109/MSP.2008.930649
  11. C. F. Van Loan, “Generalizing The Singular Value Decomposition.,” SIAM J. Numer. Anal., 13(1), 76-83, 1976, doi: 10.1137/0713009
  12. V. C. Klema and A. J. Laub, “The Singular Value Decomposition: Its Computation and Some Applications,” IEEE Trans. Automat. Contr., 25(2), 164-176, 1980, doi: 10.1109/TAC.1980.1102314
  13. S. L. Brunton and J. N. Kutz, “Chapter 1: Singular Value Decompositi