Bazı Kenar Algılama Yöntemlerinin Manyetik Rezonans Görüntüleri Üzerindeki Performans Analizi

Manyetik Rezonans Görüntüleme; üç boyutlu görüntüler elde etme yeteneği, yüksek çözünürlüğe sahip olma, kesin bilgiler verebilme gibi avantajlarından dolayı birçok klinik ve bilimsel uygulamada kullanılmaktadır. Beyin MR görüntülerinden sayısal veriler alabilmek ve bilgisayar ortamında önemli bilgileri otomatik olarak elde edebilmek için görüntü işleme yöntemlerine başvurulabilir. Bu yöntemlerin başında, görüntüdeki bilgilerin büyük bir kısmının yer aldığı kenar bilgisini ortaya çıkaran yöntemler gelir. Literatürde, kenar algılama amacıyla kullanılan birçok standart yöntem bulunmaktadır. Bu çalışmada Sobel, Prewitt, Roberts, Gauss’un Laplası, Canny ve Bulanık Mantık kenar algılama yöntemleri beyin MR görüntüleri üzerinde uygulanmış ve farklı eşik değerleri kullanılarak sonuçlar karşılaştırılmıştır. Ayrıca Bulanık Mantık yönteminde giriş ve çıkış için farklı üyelik fonksiyonları kullanılarak bu fonksiyonların performans karşılaştırması yapılmıştır. Sonuçlara bakıldığında beyin MR görüntüleri için, 0.03 eşik değerine sahip Robert, Prewitt ve Sobel yöntemlerinin diğer yöntemlere göre daha iyi sonuç verdiği gözlenmiştir.

Anahtar Kelimeler:

Manyetik rezonans görüntüleme, kenar algılama yöntemleri, beyin manyetik rezonans görüntüsü, bulanık mantık

Performance Analysis of Some Edge Detection Methods on Magnetic Resonance Images

Magnetic Resonance Imaging is used in many clinical and scientific applications due to its advantages such as the ability to obtain three-dimensional images, high resolution, and precise information. Image processing methods can be used to obtain numerical data from brain MR images and automatically obtain important information in computer environment. At the beginning of these methods, there are methods that reveal the edge information in which a large part of the information in the image is located. There are many standard methods used for edge detection in the literature. In this study, Sobel, Prewitt, Roberts, Gauss's Laplace Canny and Fuzzy Logic edge detection methods were applied on the brain MR images and the results were compared using different threshold values. In addition, in Fuzzy Logic method, the performance comparison of these functions was made by using different membership functions for input and output. When the results were examined, it was observed that the Robert, Prewitt and Sobel methods with a threshold value of 0.03 gave better results than other methods for brain MR images.

Keywords:

Magnetic resonance imaging, edge detection methods, brain magnetic resonance image, fuzzy logic,

PDF

___

K.K. Singh, and A. Singh. "A study of image segmentation algorithms for different types of images." International Journal of Computer Science Issues (IJCSI) 7.5 (2010): 414
P. Sharma, M. Diwakar, and S. Choudhary. "Application of edge detection for brain tumor detection." International Journal of Computer Applications 58.16 (2012).
R. Laishram, W. K. Kumar, A. Gupta, and K. V. Prakash “A novel MRI brain edge detection using PSOFCM segmentation and canny algorithm.” in Electronic Systems, Signal Processing and Computing Technologies (ICESC), 2014 International Conference on (pp. 398-401). IEEE. (2014, January)
A. Aslam, E. Khan, and M. M. S. Beg. "Improved edge detection algorithm for brain tumor segmentation." Procedia Computer Science, 58 (2015): 430-437.
R. P. Joseph, C. S. Singh, and M. Manikandan. “Brain tumor MRI image segmentation and detection in image processing.” International Journal of Research in Engineering and Technology, (2014). 3(1), 1-5.
N. L. Shimpi, G. A. Zeeshan, and R. Sundaraguru. "Brain Tumor Detection And Extraction." Brain 4.10 (2017).
N. Manasa, G. Mounica, and B. D. Tejaswi. "Brain Tumor Detection Based on Canny Edge Detection Algorithm and it’s area calculation." Brain (2016).
R. Munir, “Pengolahan Citra Digital dengan Pendekatan Algoritmik.” Bandung: Informatika. (2004).
S. Patnaik, K. Parvathi, and S. K. Mandal. "Development Of Simple Edge Detection Technique Using FIS." (2017): 323-332.