[ieee 2014 22nd signal processing and communications applications conference (siu) - trabzon, turkey...

Görüntü İşleme Yöntemleri İle Mamogramlarda Kitle Tespiti Ve İyi-Kötü Huylu Ayırımı

Mass Detection on Mammograms with Image Processing Techniques And Benign-Malignant

Distinction ZEHRA KARHAN1, BURHAN ERGEN2 , DİLBER ÇETİNTAŞ3

Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü, Elazığ/TÜRKİYE

[email protected], [email protected], [email protected]

Özetçe— Bu çalışmada, mamogramlarda kitlenin belirlenmesi ve bu kitlenin iyi huylu yada kötü huylu olup olmadığının tespiti amaçlanmıştır. MIAS (Mammogram Image Analysis Society) uluslararası mamografi veritabanından alınan görüntüler üzerinde öncelikle önişlem gerçekleştirilmiştir. Uygun bir eşik değeri ile kitlenin ayrıştırılması işlemi gerçeklenmiştir. Ayrıştırma işleminden sonra daha iyi bir bölütleme için morfolojik süzgeçleme yapıldı. Bölütleme safhasından sonra tümörün kapladığı alan ve çevresinin düzensizliği ölçütleri kullanılarak iyi-kötü ayrımına gidildi. Yapılan araştırmalarda kötü huylu tümörlerin çevresinin daha düzensiz ve alan değerinin belli sınırlar içerisinde kaldığı gözlemlenmiştir. Bu değerler kullanılarak bölütlenen alana göre iyi veya kötü huylu olarak sınıflandırılmıştır.

Anahtar Kelimeler — Bölütleme, matematiksel morfolojik işlemler, iyi-kötü huylu tümör.

Abstract— In this study, it is aimed the determination of the masses and the masses in mammograms whether benign or malignant is intended to determine. Firstly; was carried out pre-processing on MIAS(Mammogram Image Analysis Society) database of international images. Mass separation was implemented with an appropriate threshold value. Then, Morphological filtering was performed for beter seggmentation. At classification phase, the area covered by the tumor and surrounding area using the criteria irregularity was any distinction between good and evil. At made research were observed more irregular environment of malignant tumors and their areas values certain limits. By using this values,segmented areas are classified as benign and malignant.

Keywords — Segmentation, mathematical morphological operations, benign and malignant tumors.

I. GİRİŞ

Göğüs kanseri, akciğer kanserinden sonra dünyada görülme sıklığı en yüksek olan ve kadın sağlığı açısından ciddi bir

tehlike oluşturan kanser türüdür. Her 8 kadından biri hayatının herhangi bir döneminde göğüs kanserine yakalanmaktadır[1]. Yapılan araştırmalarda elde edilen verilere göre her yıl 570.000 kadına kanser teşhisi konulmakta ve bu görülen kanser vakalarının %31’ini göğüs kanseri oluşturmaktadır. Yine bu araştırma sonuçlarına göre kansere bağlı ölümlerin %17’sini göğüs kanseri oluşturmaktadır [2]. Göğüs kanserine karşı yapılması gereken en iyi koruyucu yöntem erken teşhistir. Göğüs kanseri erken tespit edilirse yayılması önlenir ve hasta %96 yaşam şansına sahip olur[1].

Mamogram görüntülerine, ileri görüntü işleme teknikleri uygulanarak radyoloji uzmanlarına medikal görüntülerde anormalliklerin tespit edilmesi çalışmalarında yardımcı olunmaktadır. Teşhis aşamasında radyologlara destek verecek faydalı çıkarımlar sağlaması, karar vermeyi hızlandırması, insan hatasının teşhisteki yerini azaltması ve sağlık sektöründe maliyetleri düşürmesi gibi avantajlarından dolayı tıbbi görüntüye dayalı bilgisayar destekli teşhis teknikleri günümüzde önem kazanmış ve güncel teknolojilerden biri haline gelmiştir[3].

Erken teşhis safhasında da mamografi görüntülerine bilgisayar destekli tespit tekniklerini uygulayıp anormal bölgenin yerinin en kısa sürede ve doğru olarak tespit edilmesi aynı zamanda sağlık sektöründe insan hatasına bağlı oluşabilecek kötü sonuçları en aza indirgeyerek önemli bir başarı sağlamıştır.

Bu çalışmada mamogramlarda tümörün tespit edilmesinde insan hatasını azaltabilmesi için ilk olarak bölütleme işlemi sonucunda arama yapılacak alan daraltılmaktadır. Ardından mamogramlarda meme bölgelerinin bölütlendirilebilmesi için yoğunluk ve renk özelliklerinden yararlanılmaktadır. Yoğunluk ve renk değerleri belirlenen dinamik aralığa göre sınırlandırılmaktadır. Dinamik aralık sonucunda oluşan ikili imgede matematiksel morfoloji adımları uygulanıp istenilen alan elde edilmektedir.

978-1-4799-4874-1/14/$31.00 ©2014 IEEE

846

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

Bölütlenmiş görüntüde anormal yapı gösteren ilgi alanlarının sınıflandırılması diğer bir konudur. Bu konuda iyi sonuçlara ulaşabilmek amacıyla alan ve standart sapma değerlendirme ölçütleri kullanılmıştır.

II. BÖLÜTLEME

İlgilenilen nesnenin ayrılması ve özelliklerinin belirlenmesinde ara basamaktır. Görüntüyü homojen alanlara ayırma işlemi görüntü işlemenin en önemli adımlarımdan biridir. İyi bir görüntü bölütlemenin sağlanabilmesi için:

• Tüm ayrıştırılmış parçalar asıl görüntüyü oluşturmalı,

• Ayrıştırılan parçalar kendi arasında homojen olmalı, • Parçaların birleşiminden sonra homojenlik söz

konusu olmamalı Yukarıdaki sıralanış olan adımlarının gerçekleştirilebilmiş olması gerekir. Gri-ton görüntülerde bölütleme yaklaşımı süreksizlik ve benzerlik kavramlarına dayanır. Süreksizliğe dayalı yaklaşımlar kenar belirlemede, benzerlik tabanlı yaklaşımlar alan bölütlemede kullanılır. Biz de bu kavramlardan yararlanarak yoğunluk, renk veya doku gibi benzer karakteristik özellikler gösteren nesneleri ayırmayı amaçladık. Bu aşamada görüntüdeki gri seviye dağılımını gösteren histogramdan faydalanılarak görüntüdeki piksel değerleri, belirlediğimiz T eşik değeri ile karşılaştırılarak görüntünün iki gruba ayrılması sağlandı. Değer eşik değerinden küçükse arka plana, büyükse nesneye ait değer olarak belirlendi. Aşağıdaki formül yardımıyla hesaplanabilir.

g(x,y)= 1 f x, y T 0 f x, y (1)

Eşikleme işlemi aracılığıyla görüntü iki ya da daha fazla gri seviye grubuna ayrılabilir. Eğer görüntüdeki objeler temassız ve gri seviyeleri açıkça arka planın gri seviyesinden farklı ise eşikleme uygun bir bölütleme metodudur. Doğru eşik seçimi başarılı bir görüntü bölütlemesi için gereklidir[4]. İkili eşiklemede görüntünün iki gruba ayrılması Şekil.1’ de gösterilmiştir.

Şekil.1 Görüntü ve Uygun Eşik Seviyesine Göre İkili İmge

III. MATEMATİKSEL MORFOLOJİK SÜZGEÇLEME

Biyolojinin, canlıların şekil ve yapıları ile ilgilenen dalına morfoloji (biçim bilimi) denir. Matematiksel morfoloji ise temel küme işlemlerine dayanan, imgedeki sınırlar, iskelet gibi yapıların tanımlanması ve çıkartılması, gürültü giderimi, bölütleme gibi uygulamalar için gerekli bir araçtır[5].

A.İkili Aşınma İşlemi

İkili imgedeki nesneyi küçültmeye ya da inceltmeye yarayan morfolojik işlemdir. Aşınma işlemi tam anlamıyla da olmasa bir bakıma genişletmenin tersi gibidir. Aşınma işlemi ile sayısal resim aşındırılmış olur. İşlenecek imgenin her bir pikseli bu noktaya oturtularak büyütme işlemi yapılmaktadır. Yani resim içerisindeki nesneler ufalır, delik varsa genişler, bağlı nesneler ayrılma eğilimi gösterir[2,5,6] .

},|{ BbAbzzBA ∈∀∈+=Θ (2)

B.İkili Genleşme İşlemi

İkili imgedeki nesneyi büyütmeye ya da kalınlaştırmaya yarayan morfolojik işlemdir. Sayısal bir resmi genişletmek resmi yapısal elemanla kesiştiği bölümler kadar büyütmek demektir. İşlenecek imgenin her bir pikseli, yapısal elemanın merkez noktasına oturtularak büyütme işlemi yapılmaktadır. Kalınlaştırma işleminin nasıl yapılacağını yapısal eleman belirler. Büyütme işlemi uygulanmış bir imgede, imge içerisindeki deliklerin ve boşlukların doldurulması ve köşe noktasının yumuşaması gözlenir[2,5,6].

},,:Z{ 2 BbXxbxppBX ∈∈+=∈=⊕ (3)

C.İkili Açma İşlemi

İmge üzerinde aşınma işleminin hemen ardından büyütme işlenmesi uygulanması sonucu açma (opening) işlemi elde edilir. İmge içerisindeki nesneler ve nesneler arasındaki boşluklar yapısal elemanın büyüklüğüne göre temizlenir. İmge üzerinde kalan nesneler orijinal imgedeki şekillerinden biraz daha küçük hale gelir. Açma işlemi ile birbirine yakın iki nesne imgede fazla değişime sebebiyet vermeden ayrılmış olurlar[2,7].

D.İkili Kapama İşlemi

İmge üzerinde büyütme işleminin hemen ardından aşınma işleminin uygulanması sonucu kapama (closing) işlemi elde edilir. Dolayısıyla birbirine yakın iki nesne imgede fazla değişiklik yapılmadan birbirine bağlanmış olur[2,7]. Kapama işlemi sonunda imge içerisindeki noktalar birbirlerini kapatırlar, imgedeki ana hatlar daha da dolgunlaşır. Büyütme işlemine benzer bir şekilde kapama işleminde de birbirine yakın olan noktalar arasındaki boşluklar dolar ve noktalar birleşir. İmge üzerinde kalan nesneler, orijinal imgedeki şekillerine bürünürler.

IV. UYGULAMA

MIAS veritabanından alınan orijinal görüntüdeki gürültünün azaltılması ve daha iyi sonuçlara ulaşılabilmesi amacıyla medyan süzgeçten geçirilmiş ve gürültüden uzak bir görüntü elde edilmiştir. Süzgeçten geçmiş görüntü Şekil.2 ‘de gösterilmiştir.

847


Şekil 2. Süzgeçten Geçmiş Görüntü

Önişlem safhasından sonra elde edilen görüntünün bölütlendirilmesi ve doğru alanın tespiti için uygun bir dinamik aralık belirlenerek bölütleme işlemi gerçekleştirilmiştir. İkili bölütleme işlemini yapabilmek için piksel değerlerinden yararlanıldı. Tümörün yer aldığı bölgeler Şekil.3’ de işaretlenerek o alandaki piksel değerleri saptandı. Alan içerisinde yoğun olarak yer alan değer kullanılarak ikili imge oluşturmada dinamik aralık olarak kullanıldı. Dinamik aralık uygulandığında Şekil.4’deki ikili imgeye ulaşıldı. Şekil.4’deki görüntünün tümleyeni alındığında istenilen alan bölütlenmiş oldu ve Şekil.4 ‘deki tümleyeni alınış imge elde edilmiştir.

Şekil 3. Uygun değerin seçilip-belirlenmesi

(a) (b)

Şekil 4. Bölütlenen imge görüntüsü a)İkili imge b) İkili imgenin tümleyeni.

Saptanan tümörlü bölge belirlenerek iyi kötü sınıflandırması için her bir bölgenin alan ve standart sapma değerleri hesaplanması için aşağıdaki Şekil.5’ deki gibi çizdirildi.

Şekil 5. Tümörlü bölge

Çizdirilen bu bölgenin alan ve standart sapma değerleri hesaplandı. Hesaplanan bu değerler sayesinde kitlenin iyi huylu veya kötü huylu ayrımı yapılabildi. Kötü huylu kitlenin alan ve standart sapma değerlerine ait grafik Şekil.6 ‘de, iyi huylu kitlenin alan ve standart sapma değerlerine ait grafik Şekil.7 ‘da yer almaktadır.

Şekil 6. Kötü huylu kitleye ait alan ve standart sapma grafiği

Yukarıdaki grafiktende görüldüğü üzere ilk grafik

belirlenen her bir bölgenin alanını göstermekte, ikinci grafikte

de standart sapması çizdirilmiştir. Alan grafiğinin Ortalama

bir değere sahip olmadığı dalgalanmaların meydana geldiği

görülmüştür. Aynı görüntülerin standart sapma değerleri

grafiğe döküldüğünde de kötü huylu alanların çevrelerinin

düzensizliğinden faydalanılarak belirlenmiş olunur.

Şekil 7. İyi huylu kitleye ait alan ve standart sapma grafiği

Şekil.7’ deki grafikler ele alındığında kötü huylu görüntülere

oranla daha düzenli bir yapı gösterdikleri gözlemlenmiştir. Bu

durum da sınıflamada ölçüt olarak kullanılmıştır.

848


V. SONUÇ-DEĞERLENDİRME

Çok karmaşık yöntemlere gerek duyulmadan sadece görüntüde önişlem gerçekleştirilerek ve ilgilenilen bölgenin piksel değerleri parametre olarak alınarak görüntünün başarılı bir şekilde bölütlenmesi gerçekleştirildi. Bölütlenen her bir bölgenin ayrı ayrı alanları ve standart sapma değerleri hesaplandı. Hesaplanılan bu değerlere bağlı olarak iyi-kötü huylu ayrımına gidildi. Ulaşılan sonuçta kötü huylu tümörlerin bulunmasında daha iyi verim elde edildi. Bulgulardaki iyi huylu ve kötü huylu kitle tespitindeki başarı oranı karşılaştırmalı olarak aşağıda Şekil.8 ‘da gösterilmiştir.

Şekil 8. İyi–kötü huylu tespiti karşılaştırmalı olarak başarı oranları

Alınan 50 iyi huylu tümörün, 50 kötü huylu tümörün sadece alan ve standart sapma değerleri ölçütü ele alınarak yapılan bilgisayar destekli iyi-kötü saptamasında genel olarak %80 başarı yakalandı.

Şu ana kadar bu alanda yapılan çalışmalardan farklı olarak herhangi bir sınıflandırma metodu kullanmadan bölütlenen kısımlardaki basit farklılıklardan yararlanılarak azımsanmayacak derecede iyi sonuçlara ulaşıldı.

KAYNAKÇA

[1]. Meme Kanseri-Wikipedia, http://tr.wikipedia.org/wiki/Meme_kanseri#cite_note-1 [2]. Şen Ö. , “Mamogramlar Üzerinde Uygulanan Görüntü İşleme Tekniklerinin İncelenmesi”, Ankara, Aralık 2004.

[3]. Özekes S , “Tıbbi Görüntülemede Bilgisayar Destekli Tespit” , Marmara Üniversitesi, 2006.

[4]. Taşkın D. “Sıkıştırılmış Video Akımının Düzensiz Haritalar ve Başlangıç Kodlarına Dayalı Şifrelenmesi” , Trakya Üniversitesi, 2007

[5]. Rafael C. Gonzales, Richard E. Woods, Steven L. Eddins, “Digital Image Processing Using MATLAB”.

[6]. Boztoprak H, Çağlar M.F., Merdan M, “Alternatif Morfolojik Bir Yöntemle Plaka Yerini Saptama”, Eskişehir, Kasım 2007.

[7]. Topaloğlu M., Gangal A., “Watershed Dönüşümü Kullanılarak Corpus Callosumun Bölütlenmesi”, Ankara, 6-8 Eylül 2006.

[8]. MIAS veritabanı:

http://www.mammoimage.org/databases/

849


[ieee 2014 22nd signal processing and communications applications conference (siu) - trabzon, turkey...

Documents