Meme Manyetik Rezonans Görüntülemede Lezyon Sınırlarının ve Alanının Tespit Edilmesi

Bu çalışmada, meme kanserinin teşhisinde yaygın olarak kullanılan modalitelerden biri olan MRG sisteminden elde edilen görüntüler kullanılarak memede oluşan lezyonların sınırlarının belirlenmesi ve lezyon alanının hesaplanmasına yönelik bir sistem geliştirilmiştir. Geliştirilen sistem, radyologlara büyük kolaylıklar sağlayan ve birçok değiştirilebilir seçenek sunan bir ara yüz üzerinden tasarlanmıştır. Lezyon sınırlarının belirlenmesi ve alanının optimum şekilde hesaplanması için çalışmada dört farklı yöntemden yararlanılmaktadır. Bu yöntemler, eşikleme tabanlı (Otsu eşikleme yöntemi), bulanık mantık tabanlı (bulanık c-ortalama (Fuzzy c-means, FCM)), bölge büyütme tabanlı (Region Growing, RG) ve kümeleme tabanlı (k-ortalama) segmentasyon yöntemlerdir. Otsu, FCM ve RG yöntemleri tek kanallı gri-seviye bölütleme yöntemleridir. K-ortalama yöntemi ise, üç-kanallı renkli görüntüde doğrudan kullanılabilen bir bölütleme yöntemidir. Segmentasyon adımdan sonra, lezyon alanının hesaplanması için bit-dörtlüsü (bit-quad) yöntemi uygulanmıştır. Bu aşamalar gerçekleştirildikten sonra geliştirilebilir bir hastane otomasyon sistemi tasarlanmıştır. Tasarlanan sistem uzmana görsel olarak farklı seçenekler sunarak meme lezyonlarını birçok yönden inceleme imkânı sağlamaktadır.

Detection of Lesion Boundaries and Area in Breast Magnetic Resonance Imaging

In this study, we have developed a system for determining the boundaries of the lesions which come into existence in the breast and calculating the lesion area by using images obtained from the MRI system, which is one of the modalities widely used in diagnosis of the breast cancer. The developed system is designed with an interface that provides great convenience to the radiologists and offers many interchangeable options. In order to determine the boundary of the lesion and to calculate the area optimally, in this study four different methods are utilized. These methods are thresholding based (Otsu thresholding method), fuzzy logic based (fuzzy c- means, FCM), region growing based (Region Growing, RG) and cluster-based (k-means) segmentation methods. The Otsu, FCM and RG methods are single-channel gray-level segmentation methods. In case, the k-means method is a method of segmentation that can be used directly in a three-channel color image. After the segmentation step, a bit-quad method is applied to calculate the lesion area. After these stages are implemented, a developable hospital automation system is designed. The designed system allows the specialist to analyse the breast lesions by providing different visual choices.

PDF

___

Dünya Sağlık Örgütü Uluslararası Ajansı, “Meme Kanseri İstatistikleri” http://www.wcrf.org/int/cancer-facts- figures/data-specific-cancers/breast- cancer-statistics. Erişim Tarihi: 06.04.2016.
Türkiye Halk Sağlığı Kurumu Kanser Daire Başkanlığı, “Türkiye Kanser İstatistikleri”http://kanser.gov.tr/Dosya/ca_istatistik/ANA_rapor_2013v01_2.pdf. Erişim Tarihi: 06.04.2016.
http://www.breastcancer.org/symptoms/understand_bc/what_is_bc.Erişim Tarihi: 07.04.2017.
Gnonnou, C., Smaoui, N., “Segmentation and 3D Reconstruction of MRI Images For Breast Cancer Detection”, IEEE Ipas’ 14: Internatıonal Image Processıng Applıcatıons and Conference, 2014.
Fooladivanda, a., Shokouhi, S. B., Ahmadinejad N., and Mosavi, M. R., “Automatic segmentation of breast and fibroglandular tissue in breast MRI using local adaptive thresholding,” 2014 21st Iran. Conf. Biomed. Eng. ICBME 2014, no. Icbme, pp. 195–200, 2014.
Fooladivanda, A., Shahriar, S. B., Ahmadinejad, N., Mosavi, M. R., “Atlas-Based Automatic Breast MRI Segmentation using Pectoral Muscle and Chest Region Model”, 21st Iranian Conference on Biomedical Engineering, 2014.
Merida, A., G., Kallenber, M., Mann, M. R., Mart, R., Karssemeijer N., “Breast segmentation and density estimation in breast MRI: A Fully Automatic Framework”, IEEE Journal of Biomadical and Health Informatics, 19:1:349-357, 2015.
Khalvati, F., Gallego C., Balasingham, S.,and Martel, A., “Automated Segmentation of Breast in 3D MR Images Using a Robust Atlas.,” IEEE Trans. Med. Imaging, vol. 34, no. 1, pp. 116–125, 2014.
Ribes S.,et al., “Automatic segmentation of breast MR images through a Markov random field statistical model.,” IEEE Trans. Med. Imaging, vol. 62, no. c, pp. 1986–1996, 2014.
Ertaş, G., Demirgüneş, D. D., Eroğul, O., “Conventional and Multi-State Cellular Neural Networks in Segmenting Breast Region from MR Images: Performance Comparison”, Innovations in Intelligent Systems and Applications (INISTA), 2012 International Symposium on, 2012.
Pratt, W., K.,Processing Digital Image Processing, vol. 5, no. 11. 2001.
Norouzi A., et al., “Medical image segmentation methods, algorithms, and applications,” IETE Tech. Rev., vol. 31, no. 3, pp. 199–213, 2014.
Gonzalez, R., and Woods R., Digital image processing. 2014.
Gül, S., ÇETİNEL, G., “Detection of Lesion Boundaries in Breast Magnetic Resonance Imaging with Otsu Thresholding and Fuzzy C-Means”, 3rd International Conference on Advanced Technology & Sciences (ICAT), 2017.
Otsu, N., “A threshold selection method from gray-level histograms,” IEEE Trans. Syst. Man. Cybern., vol. 9, no. 1, pp. 62–66, 1979.
http://www.aboutcancer.com/breastmriimages.htm: Erişim Tarihi: 02.05.2017
Işık, M., Çamurcu, Ali Yılmaz, “K-means, ve aşırı küresel c-means algoritmaları ile belge madenciliği”, Marmara Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22:2010, , pp. 1-18, 2010.
Pham, D. L., Xu, C., and Prince, J. L., “A survey of current methods in medical image segmentation,” Annu. Rev. Biomed. Eng., vol. 2, no. 315–337, pp. 315–337, 2000.
Maintz, T., “Chapter 10. Segmentation,” Digit. Med. Image Process., 2005.
Gray, S. B., “Local Properties of Binary Images in Two Dimensions,” IEEE Trans. Comput., vol. C-20, no. 5, pp. 551–561, 1971.