KaydedilenlerDerginizi ekleyin

Dergiler / Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi / 2018 / Cilt: 20 - Sayı: 58

Beyin Tümörü Tespitinde Görüntü Bölütleme Yöntemlerine Ait Başarımların Karşılaştırılması ve Analizi

Comparison and Performance Analysis of Image Segmentation Algorithms on Brain Tumor Detection

FARUK BULUT
İLKER KILIÇ
İBRAHİM FURKAN İNCE
Sayfa
173–186
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)

Yapılan deneysel uygulamada Markov Random Field (MRF) algoritmasının beyin tümörü tespitinde diğer algoritmalara oranla daha başarılı sonuçlar verdiği gözlemlenmiştir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Görüntü işleme teknikleri klinik karar destek sistemlerinde (KKDS) sıklıkla kullanılmaktadır.
📊
Temel Bulgular & Veri:Bu çalışmada çağın önemli bir hastalığı olan beyin tümörlerinin görüntü işleme teknikleri ile tespit görüntülerinden (MRI) yararlanarak beyin tümörünün görüntü segmentasyonu ile tespit edilmesine yönelik bir çalışma gerçekleştirilmiştir.
💡
Sonuç & Katkı:Yapılan deneysel uygulamada Markov Random Field (MRF) algoritmasının beyin tümörü tespitinde diğer algoritmalara oranla daha başarılı sonuçlar verdiği gözlemlenmiştir
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Görüntü işleme teknikleri klinik karar destek sistemlerinde (KKDS) sıklıkla kullanılmaktadır. Bu çalışmada çağın önemli bir hastalığı olan beyin tümörlerinin görüntü işleme teknikleri ile tespit görüntülerinden (MRI) yararlanarak beyin tümörünün görüntü segmentasyonu ile tespit edilmesine yönelik bir çalışma gerçekleştirilmiştir. Devlet hastanelerinden MR görüntüleri resmi izinlerle alınmış ve çalışmada kullanılmıştır. Markov Random Field (MRF), Kapur, Kittler ve Otsu algoritmaları ile MR görüntülerindeki tümörlü bölgeler tespit edilmeye çalışılmıştır. Algoritmalar, MR görüntülerinin daha önceden belirlenmiş bölgelerine (ROI - Region of Interest) ayrı ayrı uygulanmıştır. Yapılan deneysel uygulamada Markov Random Field (MRF) algoritmasının beyin tümörü tespitinde diğer algoritmalara oranla daha başarılı sonuçlar verdiği gözlemlenmiştir

Abstract

Image processing techniques in Clinical Decision Support System (CDSS) are often used. In this study, image processing techniques are used in order to detect a common disease, brain tumor. Brain tumors in magnetic resonance images (MRI) are detected by using image segmentation algorithms. MR images have been taken from state hospitals with official permissions in order to use in the study. Brain tumors in MR images are tried to be detected through the Markov Random Field (MRF), Kapur, Kittler and Otsu algorithms. Algorithms were tested on the specific regions (ROI – Region of Interest) of MR images, separately. In experimental applications, Markov Random Field (MRF) algorithm has given more accurate results than the other algorithms

🔖

Bu Makaleye Atıf Yap

BULUT, F., KILIÇ, İ., İNCE, İ. F. (2018). Beyin Tümörü Tespitinde Görüntü Bölütleme Yöntemlerine Ait Başarımların Karşılaştırılması ve Analizi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt: 20 - Sayı: 58, 173–186. https://ajindex.com/articles/222275

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. Arzu, İ. L. Ç. E., Burcu TOTUR, and Türkan ÖZBAYIR. 2010. "Evaluation of Patients With Brain Tumors According to International NANDA Nursing Diagnoses: Care Suggestions." Journal of Neurological Sciences, 27.2
  2. Dicle, A., Baksi Şimşek, A., 2010. MD Anderson Beyin Tümörü Semptom Envanteri'nin Geçerlilik ve Güvenilirliği
  3. Bauer, S., Wiest, R., Nolte, L. P., & Reyes, M. 2013. A survey of MRIbased medical image analysis for brain tumor studies. Physics in medicine and biology, 58(13), R97
  4. Gordillo, N., Montseny, E., & Sobrevilla, P. (2013). State of the art survey on MRI brain tumor segmentation. Magnetic resonance imaging, 31,8:1426-1438
  5. Fazli, S., Nadirkhanlou, P. 2013. A novel method for automatic segmentation of brain tumors in MRI images, arXiv preprint arXiv, 1312.7573
  6. Gajanayake, G. M. N. R., Roshan Dharshana Yapa, B. Hewawithana. 2009. "Comparison of standard image segmentation methods for segmentation of brain tumors from 2D MR images." Industrial and Information Systems (ICIIS), 2009 International Conference on. IEEE. DOI: 0.1109/ICIINFS.2009.5429848 [7] Kurat, N., Ozkaya N. 2014. Automaticly extracting brain tumor from MR image, Signal Processing and Communications Applications Conference (SIU) on IEEE, 22nd. IEEE, 1532-1535. DOI: 10.1109/SIU.2014.6830533 [8] Havaei, M., Davy, A., Warde-Farley, D., Biard, A., Courville, A., Bengio, Y.,. & Larochelle, H. 2017. Brain tumor segmentation with deep neural networks. Medical image analysis, 35: 18-31. DOI: 10.1016/j.media.2016.05.004 [9] Huang, Mengxing, Wenjiao Yu, and Donghai Zhu. 2012. "An improved image segmentation algorithm based on the Otsu method." Software Engineering, Artificial Intelligence, Networking and Parallel & Distributed Computing (SNPD), 13th ACIS International Conference on. IEEE. DOI: 10.1109/SNPD.2012.26 [10] Zhou, Chenhang, et al. 2015. "A method of Two-Dimensional Otsu image threshold segmentation based on improved Firefly Algorithm." Cyber Technology in Automation, Control, and Intelligent Systems (CYBER), International Conference on IEEE. DOI: 10.1109/CYBER.2015.7288151 [11] Prema, V., M. Sivasubramanian, and S. Meenakshi. 2016. "Brain cancer feature extraction using otsu's thresholding segmentation." BRAIN 6.3
  7. Liu, J., Zheng, J., Tang, Q., & Jin, W. 2014. Minimum error thresholding segmentation algorithm based on 3d grayscale histogram. Mathematical Problems in Engineering, 2014
  8. Bhandari, Ashish Kumar, et al. 2014. "Cuckoo search algorit