Ultrason görüntülerinde prostat sınırının bulunması

Ultrason görüntüleme, prostatla ilgili hastalıkların teşhisinde yaygın bir şekilde kullanılmaktadır. Prostat görüntülerinin otomatik işlenmesi veya üç boyutlu modellerinin çıkarılmasında prostat sınırının bulunması önem kazanmaktadır. Bu çalışmada, iki boyutlu ultrason görüntülerinin analiz edilerek prostat sınırının bulunması için yeni bir yöntem sunulmaktadır. Bu yöntemde, prostat bölgesinin içinin arka plana göre daha koyu gri değerlerine sahip olması bilgisine dayalı olarak sınır bulunmaktadır. Kullanıcının işaretlediği dikdörtgen görüntü bölgesindeki gürültü bir Gauss süzgeci ile azaltılır. Bu görüntü bölgesi, prostatın farklı kısımlarını içeren dört alt bölgeye ayrılır. Her bir bölge uyarlanır eşikleme ile ikili görüntüye dönüştürülür. Her bir ikili alt görüntüye ayrı morfolojik kapama ve açma işlemleri uygulanır. Sonra prostatın farklı kısımlarında, yerel bilgilere ve kriterlere göre prostatın sınırı olmaya aday kenar noktaları uyarlanır olarak bulunur. Kenar noktalarının seçiminde piksellerin belirli kalıplara uygun komşuluklar içerip içermediğine bakılır. Şartlara uygun ve birbirine yakın olan noktalar 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 göre daha hızlı çalışır. Tek iterasyonda sonuca ulaşmakla birlikte, sınırlar oldukça isabetli bulunabilmektedir.

Prostate contour extraction from ultrasound images

Ultrasound imaging is widely used in prostate disease diagnosis. Prostate contour extraction is very important in automatic processing of prostate images and their three dimensional modeling. In this study, a new approach is presented for extracting prostate boundary from two dimensional ultrasound images. In this method, contour is extracted based on the fact that prostate region has darker gray levels than the background. Noise in the image region marked by the user is reduced by a Gaussian filter. This image region is divided into four subimages, corresponding to different prostate parts. Each subimage is binarized by adaptive thresholding. Morphological closing and opening operations are applied to each binary subimage. Then, the edge points that are candidates to prostate contour are adaptively found according to local information and criteria in different parts of prostate. In selection of edge points, pixels are examined if they have special neighborhoods. The points that are satisfying the conditions and close to each other are combined. Thus, the final contour of the prostate is successfully found by this proposed approach. The running time of this method is less than the deformable models, that have many iteration steps, because this method uses only one iteration. Although the result is obtained at the first iteration, the contour is quite appropriately found.

PDF

___

1. Blake, A., Isard, M., “Active contours, the application of techniques from graphics, vision, control theory and statistics to visual tracking of shape in motion”, Springer-Verlag, New York, 1998.
2. Kass M., Witkin A., and Terzopoulos D., “Snakes: active contour models”, International Journal of Computer Vision, Cilt 1, No 4, 321-331, 1988.
3. Miller J. V., Breen D. E., Lorensen W. E., O'Bara R. M. and Wozny M. J., “Geometrically deformed models: a method for extracting closed geometrical models from volume data”, Computer Graphics, Cilt 25, No 4, 217-226, 1991.
4. Lobregt S. and Viergever M. A., “A discrete dynamic contour model”, IEEE Trans. Med. Imaging, Cilt 14, No 1, 12-24, 1995.
5. Lefebvre, F., Berger, G., and Laugier, P., “Automatic detection of the boundary of the calcaneus from ultrasound parametric images using an active contour model”, IEEE Transactions on Medical Imaging, Cilt 17, No 1, 45–52, 1998.
6. Gonzales, R. C., Woods, R. E., “Digital image processing”, 2nd ed., Prentice Hall, New Jersey, 2002.
7. Otsu, N., “Threshold selection method from graylevel histograms”, IEEE Transactions on Systems, Man and Cybernetics, Cilt 9, No 1, 62–66, 1979.
8. Ramesh, N., Yoo, J.-H., Sethi, I. K., “Threshholding based on histogram approximation”, IEE Proceedings: Vision,Image and Signal Processing, Cilt 142, No 5, 271–279, 1995.
9. Ladak H., Mao F., Wang Y., “Prostate boundary segmentation from 2D ultrasound images”, Med. Phys., Cilt 27, No 8, 1777-1788, 2000.
10. Chiu B. C. Y., Freeman G. H., Salama M. M. A., Fenster A., Rizkalla K., Downey D. B., “A segmentation algorithm using dyadic wavelet transform and discrete dynamic contour”, IEEE Canadian Conference on Electrical and Computer Engineering (CCECE’03), Montreal, Canada, Cilt 3, 1481- 1484, 2003.
11. Pathak D. S., “Computer-Aided segmentation of anatomical features in transrectal ultrasound prostate images”, Doktora Tezi, University of Washington, Bioengineering Department, USA, 2000.
12. Hönigmann D., Ruisz J., Pottmann H., “Fast model based segmentation of ultrasound data using an active image”, Proceedings IEEE Intl. Symposium on Biomedical Imaging: Macro to Nano, Washington, 225-228, 2002.
13. Shen S., Zhan Y. and Davatzikos C., “Segmentation of prostate boundaries from ultrasound images using statistical shape model”, IEEE Transaction on Medical Imaging, Cilt 22, No 4, 539-551, 2003.
14. Chen D. R., Chang R. F., Wu W. J., Moon W. K. and Wu W. L., “3-D breast ultrasound segmentation using active contour model”, Ultrasound in Med.& Biol., Cilt 29, No 7, 1017- 1026, 2003.
15. Gong L. , “Prostate ultrasound image segmentation and registration”, Doktora Tezi, University of Washington, Electrical Engineering, USA, 2003.
16. Xu C. and Prince J. L., “Gradient vector flow: a new external force for snakes”, Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Juan, Puerto Rico, 66-71, 1997.
17. Xu C. and Prince J. L., “Snakes, shape, and gradient vector flow”, IEEE Transactions on Image Processing, Cilt 7, No 3, 359-369, 1998.
18. Liu R., Shang Y., Sachse F. B., Dössel O., “3D active surface method for segmentation of medical image data: assessment of different image forces”, Biomedizinische Technik, Cilt 48, No 1, 28-29, 2003.