KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2013 / Cilt: 22 Sayı: 3

ULTRASON GÖRÜNTÜLERİNDE PROSTAT SINIRININ BULUNMASI

Hasan Bilge
Volkan Verim
Sayfa
—
Yayın Tarihi
2013-02-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Tek iterasyonda sonuca ulaşmakla birlikte, sınırlar oldukça isabetli bulunabilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Ultrason görüntüleme, prostatla ilgili hastalıkların teşhisinde yaygın bir şekilde kullanılmaktadır.
📊
Temel Bulgular & Veri:Bu yöntemde, prostat bölgesinin içinin arka plana göre daha koyu gri değerlerinesahip olması bilgisine dayalı olarak sınır bulunmaktadır.
💡
Sonuç & Katkı:Tek iterasyonda sonuca ulaşmakla birlikte, sınırlar oldukça isabetli bulunabilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüntü işleme · tıbbi görüntü analizi · biçimi değişebilen sınır modelleri

Özet

Ultrason görüntüleme, prostatla ilgili hastalıkların teşhisinde yaygın bir şekilde kullanılmaktadır. Prostatgörüntülerinin otomatik işlenmesi veya üç boyutlu modellerinin çıkarılmasında prostat sınırının bulunması önemkazanmaktadır. Bu çalışmada, iki boyutlu ultrason görüntülerinin analiz edilerek prostat sınırının bulunması içinyeni bir yöntem sunulmaktadır. Bu yöntemde, prostat bölgesinin içinin arka plana göre daha koyu gri değerlerinesahip olması bilgisine dayalı olarak sınır bulunmaktadır. Kullanıcının işaretlediği dikdörtgen görüntübölgesindeki gürültü bir Gauss süzgeci ile azaltılır. Bu görüntü bölgesi, prostatın farklı kısımlarını içeren dört altbölgeye ayrılır. Her bir bölge uyarlanır eşikleme ile ikili görüntüye dönüştürülür. Her bir ikili alt görüntüye ayrımorfolojik kapama ve açma işlemleri uygulanır. Sonra prostatın farklı kısımlarında, yerel bilgilere ve kriterleregöre prostatın sınırı olmaya aday kenar noktaları uyarlanır olarak bulunur. Kenar noktalarının seçimindepiksellerin belirli kalıplara uygun komşuluklar içerip içermediğine bakılır. Şartlara uygun ve birbirine yakın olannoktalar birleştirilir. Böylece önerilen bu yaklaşım ile prostat sınırının son durumu başarılı bir şekilde bulunur.Bu yöntem tek iterasyon kullandığı için, çok iterasyonla sonucu bulan biçimi değişebilen sınır modellerine göredaha hızlı çalışır. Tek iterasyonda sonuca ulaşmakla birlikte, sınırlar oldukça isabetli bulunabilmektedir.

🔖

Bu Makaleye Atıf Yap

Bilge, H., Verim, V. (2013). ULTRASON GÖRÜNTÜLERİNDE PROSTAT SINIRININ BULUNMASI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 Sayı: 3. https://ajindex.com/articles/1078864

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (75)

  1. Blake, A., Isard, M., “Active contours, the
  2. application of techniques from graphics, vision,
  3. control theory and statistics to visual tracking of
  4. shape in motion”, Springer-Verlag, New York,
  5. Kass M., Witkin A., and Terzopoulos D.,
  6. “Snakes: active contour models”, International
  7. Journal of Computer Vision, Cilt 1, No 4, 321-, 1988.
  8. Miller J. V., Breen D. E., Lorensen W. E., O'Bara
  9. R. M. and Wozny M. J., “Geometrically
  10. deformed models: a method for extracting closed
  11. geometrical models from volume data”,
  12. Computer Graphics, Cilt 25, No 4, 217-226,
  13. Lobregt S. and Viergever M. A., “A discrete
  14. dynamic contour model”, IEEE Trans. Med.
  15. Imaging, Cilt 14, No 1, 12-24, 1995.
  16. Lefebvre, F., Berger, G., and Laugier, P.,
  17. “Automatic detection of the boundary of the
  18. calcaneus from ultrasound parametric images
  19. using an active contour model”, IEEE
  20. Transactions on Medical Imaging, Cilt 17, No, 45–52, 1998.
  21. Gonzales, R. C., Woods, R. E., “Digital image
  22. processing”, 2nd ed., Prentice Hall, New Jersey,
  23. Otsu, N., “Threshold selection method from graylevel
  24. histograms”, IEEE Transactions on
  25. Systems, Man and Cybernetics, Cilt 9, No 1,
  26. 66, 1979.
  27. Ramesh, N., Yoo, J.-H., Sethi, I. K.,
  28. “Threshholding based on histogram
  29. approximation”, IEE Proceedings: Vision,
  30. Image and Signal Processing, Cilt 142, No 5,
  31. 279, 1995.
  32. Ladak H., Mao F., Wang Y., “Prostate boundary
  33. segmentation from 2D ultrasound images”, Med.
  34. Phys., Cilt 27, No 8, 1777-1788, 2000.
  35. Chiu B. C. Y., Freeman G. H., Salama M. M. A.,
  36. Fenster A., Rizkalla K., Downey D. B., “A
  37. segmentation algorithm using dyadic wavelet
  38. transform and discrete dynamic contour”, IEEE
  39. Canadian Conference on Electrical and
  40. Computer Engineering (CCECE’03),
  41. Montreal, Canada, Cilt 3, 1481- 1484, 2003.
  42. Pathak D. S., “Computer-Aided segmentation of
  43. anatomical features in transrectal ultrasound
  44. prostate images”, Doktora Tezi, University of
  45. Washington, Bioengineering Department,
  46. USA, 2000.
  47. Hönigmann D., Ruisz J., Pottmann H., “Fast
  48. model based segmentation of ultrasound data
  49. using an active image”, Proceedings IEEE Intl.
  50. Symposium on Biomedical Imaging: Macro to
  51. Nano, Washington, 225-228, 2002.
  52. Shen S., Zhan Y. and Davatzikos C.,
  53. “Segmentation of prostate boundaries from
  54. ultrasound images using statistical shape model”,
  55. IEEE Transaction on Medical Imaging, Cilt, No 4, 539-551, 2003.
  56. Chen D. R., Chang R. F., Wu W. J., Moon W. K.
  57. and Wu W. L., “3-D breast ultrasound
  58. segmentation using active contour model”,
  59. Ultrasound in Med.& Biol., Cilt 29, No 7, 1017-, 2003.
  60. Gong L., “Prostate ultrasound image
  61. segmentation and registration”, Doktora Tezi,
  62. University of Washington, Electrical
  63. Engineering, USA, 2003.
  64. Xu C. and Prince J. L., “Gradient vector flow: a
  65. new external force for snakes”, Proceedings of
  66. IEEE Computer Society Conference on
  67. Computer Vision and Pattern Recognition,
  68. San Juan, Puerto Rico, 66-71, 1997.
  69. Xu C. and Prince J. L., “Snakes, shape, and
  70. gradient vector flow”, IEEE Transactions on
  71. Image Processing, Cilt 7, No 3, 359-369, 1998.
  72. Liu R., Shang Y., Sachse F. B., Dössel O., “3D
  73. active surface method for segmentation of
  74. medical image data: assessment of different
  75. image forces”, Biomedizinische Technik, Cilt, No 1, 28-29, 2003.