KaydedilenlerDerginizi ekleyin

Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 17

Çok ölçekli morfolojik arka plan tahmini ve adaptif histogram modifikasyonu ile tıbbi görüntülerde tübüler yapıların iyileştirilmesi

Enhancement of tubular structures in medical images using multi-scale morphological background estimation and adaptive histogram modification

Mehmet Öztürk(KARADENİZ TEKNİK ÜNİVERSİTESİ)0000-0002-8535-3088
Osman Kerem Ateş(KARADENİZ TEKNİK ÜNİVERSİTESİ)0000-0002-8011-9655
Sayfa
—
Yayın Tarihi
2026-06-03
🏛️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)

Yapay damar görüntüleriyle yapılan nicel analizler yöntemin RMS hata değerini yaklaşık %50 oranında azalttığını; gerçek anjiyogram ve retina görüntülerindeki görsel değerlendirmeler ise düşük kontrastlı damarların görünürlüğünü belirgin biçimde artırdığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Tıbbi görüntülerde damar benzeri (tübüler) yapıların doğru ve ayrıntılı biçimde belirlenmesi, birçok hastalığın erken teşhisi, tedavi planlaması ve klinik takip süreçlerinde büyük önem taşımaktadır.
📊
Temel Bulgular & Veri:Yöntemin ilk aşamasında, farklı ölçeklerde uygulanan morfolojik açma ve kapama işlemlerinin optimize edilmiş bir kombinasyonu aracılığıyla görüntünün arka planı tahmin edilir.
💡
Sonuç & Katkı:Yapay damar görüntüleriyle yapılan nicel analizler yöntemin RMS hata değerini yaklaşık %50 oranında azalttığını; gerçek anjiyogram ve retina görüntülerindeki görsel değerlendirmeler ise düşük kontrastlı damarların görünürlüğünü belirgin biçimde artırdığını göstermektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Morfolojik filtreleme · Arka plan tahmini · Kontrast iyileştirme

Özet

Tıbbi görüntülerde damar benzeri (tübüler) yapıların doğru ve ayrıntılı biçimde belirlenmesi, birçok hastalığın erken teşhisi, tedavi planlaması ve klinik takip süreçlerinde büyük önem taşımaktadır. Bu çalışma, özellikle anjiyogram ve retina görüntülerinde damar yapılarını daha net ve kontrastlı biçimde ortaya çıkarmak amacıyla, çok ölçekli morfolojik filtreleme ve histogram modifikasyonuna dayalı iki aşamalı bir yöntem önermektedir. Yöntemin ilk aşamasında, farklı ölçeklerde uygulanan morfolojik açma ve kapama işlemlerinin optimize edilmiş bir kombinasyonu aracılığıyla görüntünün arka planı tahmin edilir. Elde edilen bu arka plan orijinal görüntüden çıkarılarak damar yapılarının belirginliği artırılır. İkinci aşamada ise, arka planı bastırılmış görüntünün kontrastı otomatik olarak parametrelendirilen bir sigmoid transfer fonksiyonu kullanılarak iyileştirilir. Yapay damar görüntüleriyle yapılan nicel analizler yöntemin RMS hata değerini yaklaşık %50 oranında azalttığını; gerçek anjiyogram ve retina görüntülerindeki görsel değerlendirmeler ise düşük kontrastlı damarların görünürlüğünü belirgin biçimde artırdığını göstermektedir.

Abstract

Accurate and detailed identification of vessel-like (tubular) structures in medical images plays a crucial role in the early diagnosis, treatment planning, and clinical monitoring of various diseases. This study proposes a two-stage method based on multiscale morphological filtering and histogram modification to enhance the clarity and contrast of vascular structures, particularly in angiogram and retinal images. In the first stage, the image background is estimated using an optimized combination of morphological opening and closing operations applied at multiple scales. The estimated background is then subtracted from the original image to enhance the visibility of vessel structures. In the second stage, the contrast of the background-suppressed image is further improved through a sigmoid transfer function with automatically parameterized settings. Quantitative analyses on synthetic vessel images demonstrate that the proposed method reduces RMS error by approximately 50%, while qualitative evaluations on real angiogram and retinal images confirm a significant improvement in the visibility of low-contrast vessels.

🔖

Bu Makaleye Atıf Yap

Öztürk, M., Ateş, O. K. (2026). Çok ölçekli morfolojik arka plan tahmini ve adaptif histogram modifikasyonu ile tıbbi görüntülerde tübüler yapıların iyileştirilmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 17. https://doi.org/10.28948/ngumuh.1811772

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (22)

  1. C. W. Chin, H. Yazid and H. L. Lee, Challenges, advances, and evaluation metrics in medical image enhancement: a systematic literature review. arXiv, 2025. https://doi.org/10.48550/arXiv.2510.13638.
  2. C. Chen, J. H. Chuah, R. Ali and Y. Wang, Retinal vessel segmentation using deep learning: a review. IEEE Access, 9, 111985-112004, 2021. https://doi.org/ 10.1109/ACCESS.2021.3102176.
  3. G. Hassan, N. El-Bendary, A. E. Hassanien, A. Fahmy and V. Snasel, Retinal blood vessel segmentation approach based on mathematical morphology. Procedia Computer Science, 65, 612-622, 2015. https://doi.org/ 10.1016/j.procs.2015.09.005.
  4. T. A. Soomro, N. A. Jandan, A. Ali, M. Irfan, S. Rahman, W. A. Aldhabaan and I. Abuallut, Impact of retinal vessel image coherence on retinal blood vessel segmentation. Electronics, 12 (2), 396, 2023. https://doi.org/10.3390/electronics12020396.
  5. A. K. Jain, Fundamentals of digital image processing. Prentice-Hall, Englewood Cliffs, NJ, 1989.
  6. A. Imran, J. Li, Y. Pei, J. J. Yang and Q. Wang, Comparative analysis of vessel segmentation techniques in retinal images. IEEE Access, 7, 114862-114887, 2019. https://doi.org/10.1109/ACCESS.2019. 2935912.
  7. T. A. Soomro, A. J. Afifi, L. Zheng, S. Soomro, J. Gao, O. Hellwich and M. Paul, Deep learning models for retinal blood vessels segmentation: a review. IEEE Access, 7, 71696-71717, 2019. https://doi.org/10.1109/ ACCESS.2019.2920616.
  8. S. Dippel, M. Stahl, R. Wiemker and T. Blaffert, Multiscale contrast enhancement for radiographies: laplacian pyramid versus fast wavelet transform. IEEE Transactions on Medical Imaging, 21 (4), 343-353, 2002. https://doi.org/10.1109/TMI.2002.1000258.
  9. F. Zana and J. C. Klein, Segmentation of vessel-like patterns using mathematical morphology and curvature evaluation. IEEE Transactions on Image Processing, 10 (7), 1010-1019, 2001. https://doi.org/10.1109/83.93 1095.
  10. F. Zhao, Y. Chen, Y. Hou and X. He, Segmentation of blood vessels using rule-based and machine-learning-based methods: a review. Multimedia Systems, 25 (2), 109-118, 2019. https://doi.org/10.1007/s00530-017-0580-7.
  11. S. Tu, G. Koning, J. C. Tuinenburg, W. Jukema, S. Zhang, Y. Chen and J. H. C. Reiber, Enhancement of vascular angiogram by multiscale morphology. International Journal of Cardiovascular Imaging, 25 (7), 657-667, 2009. https://doi.org/10.1007/s10554-009-9482-x.
  12. Y. Kimori, Mathematical morphology-based approach to the enhancement of morphological features in medical images. Journal of Clinical Bioinformatics, 1 (1), 1-33, 2011. https://doi.org/10.1186/2043-9113-1-33.
  13. Y. P. Wang, Q. Wu, K. R. Castleman and Z. Xiong, Chromosome image enhancement using multiscale differential operators. IEEE Transactions on Medical Imaging, 22 (5), 685-693, 2003. https://doi.org/10. 1109/TMI.2003.812255.
  14. K. Sun, Z. Chen, S. Jiang and Y. Wang, Morphological multiscale enhancement, fuzzy filter and watershed for vascular tree extraction in angiogram. Journal of Medical Systems, 35 (5), 811-824, 2011. https:// doi.org/10.1007/s10916-010-9466-3.
  15. P. T. H. Truc, M. A. U. Khan, Y. K. Lee, S. Lee and T. S. Kim, Vessel enhancement filter using directional filter bank. Computer Vision and Image Understanding, 113 (1), 101-112, 2009. https://doi.org/ 10.1016/j.cviu.2008.07.009.
  16. A. F. Frangi, W. J. Niessen, K. L. Vincken and M. A. Viergever, Multiscale vessel enhancement filtering. in: W. M. Wells, A. Colchester and S. Delp (Eds.), Medical Image Computing and Computer-Assisted Intervention — MICCAI’98, Springer, 130-137, Berlin, Heidelberg, 1998. https://doi.org/10.1007/ BFb0056195.
  17. K. Sun and N. Sang, Enhancement of vascular angiogram by multiscale morphology. 1st International Conference on Bioinformatics and Biomedical Engineering (ICBBE 2007), 1311-1313, Wuhan, China, 2007. https://doi.org/10.1109/ICBBE.2007.338.
  18. H. Boudegga, Y. Elloumi, M. Akil, M. H. Bedoui, R. Kachouri and A. B. Abdallah, Fast and efficient retinal blood vessel segmentation method based on deep learning network. Computerized Medical Imaging and Graphics, 90, 101902, 2021. https://doi.org/10.1016/j. compmedimag.2021.101902.
  19. M. M. Fraz, P. Remagnino, A. Hoppe, B. Uyyanonvara, A. R. Rudnicka, C. G. Owen and S. A. Barman, An approach to localize the retinal blood vessels using bit planes and centerline detection. Computer Methods and Programs in Biomedicine, 108 (2), 600-616,2012. https://doi.org/10.1016/j.cmpb.2011.08.009.
  20. B. Toptaş and D. Hanbay, Retinal blood vessel segmentation using pixel-based feature vector. Biomedical Signal Processing and Control, 70, 103053, 2021. https://doi.org/10.1016/j.bspc.2021.103053.
  21. U. Ozkaya, S. Ozturk, B. Akdemir and L. Seyfi, An efficient retinal blood vessel segmentation using morphological operations. 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 1-7, Ankara, Turkey, 2018. https://doi.org/10.1109/ISMSIT.2018. 8567239.
  22. G. Gilboa, N. Sochen and Y. Y. Zeevi, Regularized shock filters and complex diffusion. in: A. Heyden, G. Sparr, M. Nielsen and P. Johansen (Eds.), Computer Vision — ECCV 2002, Springer, Berlin, Heidelberg, 399-413, 2002. https://doi.org/10.1007/3-540-47969-4_27.