Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
ANKARA ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
YÜKSEK LİSANS TEZİ
MR GÖRÜNTÜLERİNDE BAŞ BÖLGESİNE AİT ANORMAL YAPILARIN
BELİRLENMESİ VE HACİMLERİNİN HESAPLANMASI
Cansel ÖĞRETMENOĞLU FIÇICI
ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI
ANKARA
2016
Her hakkı saklıdır
TEZ ONAYI
Cansel ÖĞRETMENOĞLU FIÇICI tarafından hazırlanan “MR Görüntülerinde Baş
Bölgesine Ait Anormal Yapıların Belirlenmesi ve Hacimlerinin Hesaplanması” adlı
tez çalışması 23/12/2016 tarihinde aşağıdaki jüri tarafından oy birliği ile Ankara
Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim
Dalı’nda YÜKSEK LİSANS TEZİ olarak kabul edilmiştir.
Danışman : Prof. Dr. Ziya TELATAR
Eş Danışman : Prof. Dr. Osman EROĞUL
TOBB Ekonomi ve Teknoloji Üniversitesi / Biyomedikal Mühendisliği
Anabilim Dalı
Jüri Üyeleri:
Başkan: Prof. Dr. İrfan KARAGÖZ
Gazi Üniversitesi / Elektrik-Elektronik Mühendisliği Anabilim Dalı
Üye : Prof. Dr. Ziya TELATAR,
Ankara Üniversitesi / Elektrik-Elektronik Mühendisliği Anabilim Dalı
Üye : Prof. Dr. Osman EROĞUL
TOBB Ekonomi ve Teknoloji Üniversitesi / Biyomedikal Mühendisliği
Anabilim Dalı
Üye : Prof. Dr. H. Gökhan İLK
Ankara Üniversitesi / Elektrik-Elektronik Mühendisliği Anabilim Dalı
Üye : Doç. Dr. İsa NAVRUZ
Ankara Üniversitesi / Elektrik-Elektronik Mühendisliği Anabilim
Dalı
Yukarıdaki sonucu onaylarım.
Prof. Dr. İbrahim DEMİR Enstitü Müdürü V.
i
ETİK
Ankara Üniversitesi Fen Bilimleri Enstitüsü tez yazım kurallarına uygun olarak
hazırladığım bu yüksek lisans tezi içindeki bütün bilgilerin doğru ve tam olduğunu,
bilgilerin üretilmesi aşamasında bilimsel etiğe uygun davrandığımı, yararlandığım bütün
kaynakları atıf yaparak belirttiğimi beyan ederim.
23/12/2016
Cansel ÖĞRETMENOĞLU FIÇICI
ii
ÖZET
Yüksek Lisans Tezi
MR GÖRÜNTÜLERİNDE BAŞ BÖLGESİNE AİT ANORMAL YAPILARIN BELİRLENMESİ VE
HACİMLERİNİN HESAPLANMASI
Cansel ÖĞRETMENOĞLU FIÇICI
Ankara Üniversitesi
Fen Bilimleri Enstitüsü
Elektrik Elektronik Mühendisliği Anabilim Dalı
Danışman: Prof. Dr. Ziya TELATAR
Eş Danışman: Prof. Dr. Osman EROĞUL
Beyin MR görüntülerinde görüntü işleme, tümörlerin klinik analizinde büyük bir öneme sahiptir.
Tümör hacim ve konum bilgileri, başarılı bir teşhis ve tedavi için görüntü işleme teknikleriyle elde
edilebilmektedir. Bu çalışmada yüksek doğrulukla beyin tümörlerin tespiti ve hacim hesabı için
tamamen otomatik bir metod sunulmaktadır. FLAIR, T1 Pre Gadolinium ve T1 Post Gadolinium
olmak üzere üç adet MRG protokolü kullanılmıştır. Beyin simetrik iki yarım küreden oluştuğu
varsayılarak yarım kürelerden herhangi birinde tümör olup olmadığını tespit etmek için simetri
analizi uygulanmıştır. Gri seviye FLAIR görüntülerin ortalama değer farkı ve ikili FLAIR
görüntülerin alan farkı hesaplanarak sağ-sol simetri analizi gerçekleştirilmiştir. Kafatası ve yağ gibi
beyne ait olmayan alanların yok edilmesi için gadolinyum eklenmemiş T1 görüntüleri, FLAIR ve
gadolinyum eklenmiş T1 görüntüler üzerinde maske olarak kullanılmıştır. Tümörlü bölgeyi
belirlemek için kontrast maddeli T1 görüntülere eşikleme yöntemi uygulanırken, ödemli bölgeyi
belirlemek için FLAIR görüntülere bulanık kümeleme uygulanmıştır. Tümör hacmi bulunurken,
tümörün alan ve MRI kesitlerinin kalınlık bilgisinden yararlanılmıştır ve uzman hekim sonuçlarıyla
karşılaştırılmıştır. Sistem, DICOM dosyası olarak elde edilen eksenel MR görüntülerinde
çalışmaktadır. Çalışma 10 hastaya ait 500 beyin MR kesitiyle test edilmiştir. %99 tümör tespiti
doğruluk oranı ve %92 hacim hesabı Jaccard örtüşme katsayısı elde edilmiştir.
Aralık 2016, 74 sayfa
Anahtar Kelimeler: Eşikleme, bulanık c-ortalamalar kümeleme, beyne ait olmayan bölgeleri yok
etme, simetri analizi
iii
ABSTRACT
Master Thesis
DETECTION OF HEAD REGION LESIONS AND VOLUME ESTIMATION IN MR IMAGES
Cansel ÖĞRETMENOĞLU FIÇICI
Ankara University
Graduate School of Natural and Applied Sciences
Department of Electrical and Electronics Engineering
Supervisor: Prof. Dr. Ziya TELATAR
Co-supervisor: Prof. Dr. Osman EROĞUL
Image processing in brain MR images has great importance in clinical analysis of brain tumors.
Information about tumor volume and location can be obtained by image processing techniques for
accurate diagnosis and treatment. In this study, a fully automatic method for the detection of brain tumors
and volume estimation with high accuracy are presented. Three MRI protocols including FLAIR, T1 Pre
Gadolinium and T1 Post Gadolinium are used. Assuming brain consists of two symmetric cerebral
hemispheres, symmetry analysis is applied to determine whether or not there is a tumor in any part of
hemisphere. Left-right symmetry analysis is realized by calculating mean difference of gray scale FLAIR
images and area difference of binary FLAIR images. T1 Pre Gadolinium images are used as a mask on
both FLAIR and T1 Post Gadolinium images in order to remove unwanted non-brain regions which are
skull and fat. Fuzzy c mean clustering is applied to FLAIR images for detecting edema region, while
threshold segmentation method is applied to T1 Post Gd images for detecting tumor region. Tumor
volume is calculated by the help of tumor area and MRI slice thickness information then compared with
expert physician results. The system works for axial slices of MR images which are obtained as DICOM
files. The work has been tested on 500 visual brain MR slices of ten patients. Accuracy of tumor detection
99% and Jaccard overlap coefficient of volume estimation 92% are obtained.
December 2016, 74 pages
Key Words: Thresholding, fuzzy c-means clustering, removing non-brain regions, symmetry analysis
iv
TEŞEKKÜR
Tez çalışmam sırasında bilgi, öneri ve yardımlarını esirgemeyen danışman hocam sayın
Prof. Dr. Ziya TELATAR’a (Ankara Üniversitesi Elektrik-Elektronik Mühendisliği
Anabilim Dalı) ve eş danışman hocam Prof. Dr. Osman EROĞUL’a (TOBB Ekonomi
ve Teknoloji Üniversitesi Biyomedikal Mühendisliği Anabilim Dalı) teşekkürlerimi
sunarım.
Cansel ÖĞRETMENOĞLU FIÇICI
Ankara, Aralık 2016
v
İÇİNDEKİLER
TEZ ONAY SAYFASI
ETİK…………………………………………………………………………………………………………………………….….i
ÖZET…………………………………………………………………………………………………………….....…….……..ii
ABSTRACT………………………………………………………………………………………………………..….….…iii
TEŞEKKÜR……………………………………………………………………………………………………………..…..iv
SİMGELER DİZİNİ………………………………………………………………………………………………..….vii
ŞEKİLLER DİZİNİ…………………………………………………………………………………..……………....viii
ÇİZELGELER DİZİNİ………………………………………………………………………………………..…..…..x
1. GİRİŞ ............................................................................................................................ 1
1.1 MR Görüntüleme ve Çalışma Prensibi ................................................................... 1
1.2 Kanser Hücreleri ..................................................................................................... 18
1.3 Nörolojik Görüntüleme ve Beyin Tümörü Çeşitleri ............................................ 21
1.4 Yaygın Görülen Birincil Beyin Tümörleri ............................................................ 22
1.4.1 Glioma ................................................................................................................... 22
1.4.2 Menenjiom ............................................................................................................ 25
1.5 Görüntü Bölütleme Metodları ............................................................................... 26
1.5.1 Nokta, çizgi, kenar belirleme............................................................................... 27
1.5.2 Eşikleme ................................................................................................................ 27
1.5.3 Alan tabanli bölütleme ......................................................................................... 28
1.5.4 Morfolojik su seti ile bölütleme ........................................................................... 29
1.5.5 Sınıflandırma metodları ...................................................................................... 30
1.5.6 Kümeleme metodlari ............................................................................................ 30
1.5.7 Hibrit metodlar ..................................................................................................... 34
1.6 Görüntü Enterpolasyonu ........................................................................................ 35
2. KAYNAK ÖZETLERİ ............................................................................................. 37
3. MATERYAL ve YÖNTEM ...................................................................................... 39
3.1 Materyal ................................................................................................................... 39
3.2 Yöntem ..................................................................................................................... 39
vi
3.2.1 Otomatik eşik değeri bulma ................................................................................ 39
3.2.2 Kafatası yok etme ................................................................................................. 43
3.2.3 Simetri analizi ....................................................................................................... 46
3.2.4 Ödem bölütleme ................................................................................................... 50
3.2.5 Tümör bölütleme ve alan hesabı ......................................................................... 53
3.2.6 Hacim hesabı ve 3 boyutlu görüntüleme ............................................................ 55
4. ARAŞTIRMA BULGULARI ................................................................................... 63
5. SONUÇ ....................................................................................................................... 68
KAYNAKLAR .............................................................................................................. 69
ÖZGEÇMİŞ ................................................................................................................... 74
vii
SİMGELER DİZİNİ
uij Üyelik Fonksiyonu
vi Küme Merkezi
µ Ortalama Değer
σ2
Varyans
T Eşik Değeri
J Değer Fonksiyonu
g(x,y) Çıktı Görüntü Fonksiyonu
f(x,y) Girdi Görüntü Fonksiyonu
Kısaltmalar
BC Bhattacharya Coefficient (Bhattacharya Katsayısı)
BOS Beyin Omurilik Sıvısı
BT Bilgisayarlı Tomografi
DICOM Digital Imaging and Communications in Medicine
FLAIR Fluid Attenuated Inversion Recovery
GBM Glioblastoma Multiform
Gd Gadolinyum
Gd-DTPA Gadolinyum Dietilen Triamin Penta Asetik Asit
MRG Manyetik Rezonans Görüntüleme
RF Radio Frequency (Radyo Frekansı)
TCIA The Cancer Imaging Archieve (Kanser Görüntüleme Arşivi)
TE Echo Time (Yankı Süresi)
TR Repitition Time (Tekrarlama Süresi)
WHO World Health Organization (Dünya Sağlık Örgütü)
viii
ŞEKİLLER DİZİNİ
Şekil 1.1 MR Görüntüleme cihazı ................................................................................................................ 2
Şekil 1.2 Beyin MR ...................................................................................................................................... 3
Şekil 1.3 Omurilik MR ................................................................................................................................. 3
Şekil 1.4 Menisküs MR ................................................................................................................................ 3
Şekil 1.5 Bel Fıtığı MR ................................................................................................................................ 4
Şekil 1.6 Spin hareketi yapan çekirdek ........................................................................................................ 5
Şekil 1.7 Mıknatıs ve manyetik alan çizgileri .............................................................................................. 7
Şekil 1.8 Protonun B0 manyetik alanı içerisindeki dönüşü .......................................................................... 7
Şekil 1.9 Protonların manyetik alan dışındaki ve içerisindeki dizilimi ........................................................ 9
Şekil 1.10 Net manyetizasyon .................................................................................................................... 10
Şekil 1.11 Enerji emilimi ........................................................................................................................... 10
Şekil 1.12 T1 relaksasyon eğrisi ................................................................................................................ 12
Şekil 1.13 T2 relaksasyon eğrisi ................................................................................................................ 13
Şekil 1.14 Yağ ve su moleküllerinin T1 sürelerinin karşılaştırılması......................................................... 13
Şekil 1.15 Yağ ve su moleküllerinin T2 sürelerinin karşılaştırılması......................................................... 14
Şekil 1.16 TR ve TE sürelerinin yağ ve su moleküllerinin T1 ve T2 sürelerine etkisi ............................... 14
Şekil 1.17 T2 ve FLAIR görüntülerin karşılaştırması ................................................................................ 16
Şekil 1.18 T1 ve T2 ağırlıklı beyin MR görüntülerine gadolinyum içeren kontrast madde eklenmesi ...... 17
Şekil 1.19 GBM tümörüne ait T1 ağırlıklı, gadolinyum kontrast maddeli T1 ağırlıklı, T2
ağırlıklı ve FLAIR görüntüler……………………………………… ...... ………………………...………….18
Şekil 1.20 Kanser hücresinin bölünmesi .................................................................................................... 19
Şekil 1.21 Normal hücrelerin ve kanser hücrelerinin çoğalma şekillerinin karşılaştırılması ..................... 20
Şekil 1.22 Glioblastoma tümörünün T1 ağırlıklı, T2 ağırlıklı, FLAIR ve kontrast madde
eklenmiş FLAIR görüntülerinin karşılaştırılması……………… ..... ……………………….……….…..23
Şekil 1.23 Oligodendrogliom tümörüne ait T1, T2 ve kontrast maddeli T1 görüntüler ............................. 24
Şekil 1.24 Ependimom tümörüne ait T1, T2, FLAIR ve kontrast maddeli T1 görüntüler ......................... 25
Şekil 1.25 Menenjiom tümörüne ait sırasıyla T1, T2 ve kontrast maddeli T1 görüntüleri ......................... 26
Şekil 1.26 Eşikleme yöntemi ile bölütleme ............................................................................................... 28
Şekil 1.27 Tohum noktası seçilmiş orijinal MR görüntüsü ve alan genişletme algoritması sonucu .......... 29
Şekil 1.28 K-ortalama algoritmasıyla bölütleme ........................................................................................ 31
Şekil 1.29 Bulanık c-ortalama algoritmasıyla bölütleme ........................................................................... 33
Şekil 1.30 Aktif kontur modeli kullanarak MR görüntüsünden sol karıncığın iç duvarının
bölütlenmesi. ........................................................................................................................... .35
Şekil 3.1 Otomatik eşik değeri bulma algoritması akış şeması .................................................................. 40
Şekil 3.2 Kontrastsız T1 görüntü ve aktif kontur sonucu ........................................................................... 41
Şekil 3.3 Kontrast maddeli T1 görüntü ve aktif kontur sonucu .................................................................. 41
Şekil 3.4 Kırpılmış kontrastsız T1 görüntü ve yeniden boyutlandırılmış görüntü ..................................... 42
ix
Şekil 3.5 Kırpılmış kontrast maddeli T1 görüntü ve yeniden boyutlandırılmış görüntü ............................ 42
Şekil 3.6 T1 ve kontrast maddeli T1 görüntülerinin histogram farklarından eşik değeri bulunması.......... 43
Şekil 3.7 Kafatası yok etme algoritması akış şeması.................................................................................. 44
Şekil 3.8 Kontrastsız T1 görüntü ve eşikleme işlemi sonucu ..................................................................... 45
Şekil 3.9 Kontrast maddeli T1 görüntü ve kafatası yok etme işlemi sonucu .............................................. 45
Şekil 3.10 FLAIR görüntü ve kafatası yok etme işlemi sonucu ................................................................. 45
Şekil 3.11 Sağlıklı bir insana ait beyin MR kesiti ...................................................................................... 46
Şekil 3.12 Simetri analizi algoritması akış şeması ..................................................................................... 47
Şekil 3.13 Kafatası çıkarımı yapılmış FLAIR görüntünün iki eşit parçaya ayrılması ................................ 48
Şekil 3.14 Bulanık kümeleme uygulanmış FLAIR görüntünün iki eşit parçaya ayrılması ....................... 48
Şekil 3.15 Ödem bulma algoritması akış şeması ........................................................................................ 51
Şekil 3.16 Kafatası çıkarımı yapılmış FLAIR görüntü ve bulanık kümeleme sonucu .............................. 52
Şekil 3.17 Alan açma işlemi ile ödemin elde edilmesi ............................................................................... 52
Şekil 3.18 Tümör bölütleme algoritması akış şeması ................................................................................. 53
Şekil 3.19 Eşikleme uygulanmış kontrast maddeli T1 görüntüsü ve kafatası çıkarımı yapılmış
görüntü.. ................................................................................................................................... .54
Şekil 3.20 Tümör olam ihtimali olan obje ve morfolojik yayma uygulanmış görüntü ............................... 54
Şekil 3.21 Maskelenmiş görüntü ve bulanık kümeleme sonucu................................................................. 55
Şekil 3.22 Tümörlerin bölütlenip orjinal görüntülere eklenmesi................................................................ 58
Şekil 3.23 Bölütlenen tümörün 3 boyutlu gösterimi................................................................................... 62
Şekil 4.1 Önerilen metod ve uzman bölütlemesi kesişim kümesi .............................................................. 64
Şekil 4.2 Değerlendirme kriterlerinde kullanılan değişkenler .................................................................... 64
x
ÇİZELGELER DİZİNİ
Çizelge 1.1 Biyolojik sistemdeki bazı elementlerin spin değerleri .............................................................. 6
Çizelge 1.2 Bazı elementlerin 1.5T manyetik alandaki Jiromanyetik oran ve Larmor Frekans
değerleri ..................................................................................................................................... 8
Çizelge 1.3 MR görüntülemede sinyal yoğunlukları .................................................................................. 15
Çizelge 3.1 DICOM üst bilgisi……………………………………………………………………………………………..…57
Çizelge 4.1 Tümör tespit algoritmasının değerlendirme tablosu ................................................................ 65
Çizelge 4.2 Tümör tespit algoritmasının literatürdeki çalışmalarla kıyaslama tablosu .............................. 65
Çizelge 4.3 Hacim hesabı algoritmasının altın standart ile karşılaştırılma tablosu .................................... 66
Çizelge 4.4 Hacim hesabı algoritmasının literatürdeki çalışmalarla kıyaslama tablosu ............................. 67
1
1. GİRİŞ
Tıbbi görüntülemede veriler radyografi, ultrasonografi, bilgisayarlı tomografi (BT),
manyetik rezonans (MR) görüntüleme gibi yöntemler kullanılarak elde edilmektedir.
Radyografi ve BT’de görüntüler radyasyon ile elde edilirken, MR ve ultrasonografide
görüntüler sırasıyla manyetik alan ve yüksek frekanslı ses dalgalarıyla elde
edilmektedir. MR ve BT özellikle beyin tümörleri tespitinde en çok kullanılan
görüntüleme yöntemleridir. Radyolojik değerlendirme, beyin tümörünün yerinin ve
büyüklüğünün belirlenmesi açısından biyopsi öncesi önemli bir aşamadır. Tümörlü
hücreler oldukça hızlı bölünür ve geç farkedilmesi durumunda anormallik tespit edilen
bölgenin tedavisi mümkün olmayabilir bu nedenle erken ve tam teşhis üzerinde
durulması gereken bir noktadır. Görüntüleme sisteminden kaynaklı gürültüler anormal
yapının sınırlarının hekim tarafından net olarak algılanamamasına ve sınırları
belirlemede hata oluşmasına neden olmaktadır. Beyin MR görüntülemede bir hastaya ait
20-250 arası kesit görüntüsü elde edilebilmektedir. Kesitlerin tek tek hekim tarafından
incelenip tümörlü bölgelerin işaretlenmesi uzun zaman almaktadır. Görüntü işleme
teknikleriyle, hekim ve görüntüleme sistemlerinden kaynaklı hataların en aza
indirililerek teşhiste hızı ve başarıyı arttırmak, uygun tedavi yönteminin belirlenmesi
açısından büyük önem taşımaktadır. Bu tez çalışmasında, kullanıcı müdahalesi
gerektirmeden beyin tümörlerinin sınırlarını ve hacmini hızlı ve başarılı bir şekilde elde
eden, teşhis ve tedavi aşamasında hekime yardımcı olabilecek tam otomatik bir sistem
sunulmuştur.
1.1 MR Görüntüleme ve Çalışma Prensibi
Manyetik rezonans görüntüleme, insan vücudunun doğal manyetik özelleğinden
yararlanarak doku ve organların detaylı görüntüsünün elde edildiği tıbbi görüntüleme
tekniğidir. Görüntüleme için vücuttaki yağ ve su moleküllerinde bol bulunan hidrojen
atomlarından yararlanılmaktadır. Uygulamalarda kullanılan MR cihazları, 1 ile 7 Tesla
aralığında bir manyetik alana sahip olacak şekilde üretilmektedir. Magnet silindirden
oluşan MR cihazındaki hastaya radyo dalgası atımları gönderilerek dokulardaki hidrojen
2
atomlarının elektromanyetik dalga yayması sağlanır. Bu sinyaller sayesinde bilgisayar
ortamında MR görüntüleri oluşturulmaktadır.
Şekil 1.1 MR Görüntüleme cihazı (https://radiology.ucsf.edu 2016g)
MR görüntüleme vücudun tüm doku ve organlarından radyasyon kullanılmaksızın
ayrıntılı görüntülenebilmesine olanak sağlar. MR görüntüleme sayesinde, belirli
anatomik yapılar diğer yapılardan net olarak ayrılır, sağlıklı ve hastalıklı dokular
arasındaki farklılıklar saptanır. Günümüzde MR özellikle yumuşak dokuları
görüntülemede kullanılır. Merkezi sinir sistemi, beyin ve omurilik hastalıklarının
teşhisinde, sporcu yaralanmalarında, kas iskelet sistemi, özellikle menisküs, bel fıtığı
gibi rahatsızlıkların tespitinde sıkça kullanılmaktadır (Anonymous. 2016h). Beyin,
omurilik, menisküs ve bel fıtığına ait MR görüntüleri sırasıyla Şekil 1.2-1.5’te
gösterilmektedir.
3
Şekil 1.2 Beyin MR (Dvorak vd. 2013)
Şekil 1.3 Omurilik MR (Rabhi vd. 2011)
Şekil 1.4 Menisküs MR (https://radiopaedia.org 2005)
4
Şekil 1.5 Bel Fıtığı MR (https://radiopaedia.org 2005)
MR görüntülemenin temeli, manyetik alan ile spin hareketi yapan atom çekirdeğinin
etkileşimine dayanmaktadır. Çekirdeğin spini yada çekirdek spini nükleer momentumu,
atomun yapısal özelliklerinden bir tanesidir ve atomik düzene göre değer almaktadır.
Argon ve seryum hariç periyodik cetveldeki her element, spin hareketi yapan en az bir
izotopa sahiptir. Bu sebeple neredeyse her elementin MR görüntüleme ile
incelenebilmesi mümkündür (Brown ve Semelka 2003).
Atomlar; pozitif yüklü proton, yüksüz nötron ve negatif yüklü elektronlardan meydana
gelmektedir. Proton ve nötronlar atomun çekirdeğinde yer alırken, elektronlar
çekirdeğin etrafındaki yörüngelerde bulunmaktadır. Elementlerin kimyasal
reaksiyonlardaki karakteristik özellikleri, bu parçacıkların sayılarına bağlı olarak ortaya
çıkmaktadır. Elementleri sınıflandırmada kullanılan özellikler, atom sayısı ve kütle
numarasıdır. Atom sayısı çekirdekte bulunan proton sayısını, kütle numarası ise nötron
ve proton sayılarının toplamını ifade etmektedir. Proton sayısı, elementlerin birbirinden
ayırt edilmesini sağlayan en önemli özelliktir. Bir elemente ait tüm atomlar aynı proton
sayısına sahiptir. Atom numaraları aynı, kütle numaraları farklı olan elementler izotop
atomlar olarak adlandırılmaktadır (Brown ve Semelka 2003).
Atom numarası ve kütle numarasının yanında çekirdeğin spin açısal momentumu da
atomların ayırt edici özelliklerindendir. Çekirdek kendi ekseni etrafında sabit bir hızda
5
dönmektedir. Bu eksen dönüş yönüne diktir. Çekirdeğin ekseni ve bu eksen etrafındaki
dönüş yönü Şekil 1.6’da gösterilmektedir (Brown ve Semelka 2003).
Şekil 1.6 Spin hareketi yapan çekirdek (Brown ve Semelka 2003)
Atom çekirdeklerinin spin değerleri, atom numarası ve kütle numaralarına bağlıdır ve I
ile sembolize edilmektedir. I değeri sıfır, tam sayı veya kesir değerleri alabilmektedir.
Atom numarası ve kütle numarası çift sayı olan çekirdekler spin hareketi yapmazlar,
dolayısıyla I değeri sıfır olmaktadır. Bu tip çekirdekler manyetik alan ile etkileşime
geçmezler, bu nedenle MR görüntüleme incelenemezler. Kütle numarası çift sayı, atom
numarası ise tek sayı olan çekirdeklerin I değerleri tam sayı iken, kütle numarası ve
atom numarası tek sayı olan çekirdeklerin I değeri kesirlidir. Çizelge 1.1’de biyolojik
sistemimizde çoğunlukla bulunan elementlerin ve izotroplarının spin değerleri
verilmektedir (Brown ve Semelka 2003).
6
Çizelge 1.1 Biyolojik sistemdeki bazı elementlerin spin değerleri (Brown ve Semelka
2003)
Çekirdeği yalnızca bir protondan oluşan 𝐻11 atomu, vücudumuzu MR görüntüleme ile
incelemede kullandığımız atomdur. 𝐻11 atomunun kullanılmasının pek çok sebebi
vardır. Bu sebeplerden bir tanesi, 𝐻11 atomunun spin değerinin 1/2 olması ve
vücudumuzda en çok bulunan hidrojen izotropu olmasıdır. Diğer bir sebep ise,
vücudumuzdaki dokuların büyük oranda su ve yağdan oluşması ve bu moleküllerin
hidrojen atomu içermesidir (Brown ve Semelka 2003).
Pozitif yüklü olan çekirdek spin hareketinin yanısıra manyetik alana yada manyetik
momentuma sahiptir (Şekil 1.6). Çekirdeğin manyetik momenti, dönüş eksenine
paraleldir (Şekil 1.6). Bu manyetik alan MR görüntüleme için temel oluşturmaktadır.
Spin hareketi yapan çekirdek, mıknatıs özelliği taşımaktadır. Mıknatıs kuzey ve güney
olmak üzere iki kutuptan oluşur. Manyetik alan çizgilerinin yönü kuzey kutuptan güney
kutba doğrudur (Şekil 1.7).
7
Şekil 1.7 Mıknatıs ve manyetik alan çizgileri (Brown ve Semelka 2003)
Hidrojen atomları içeren bir dokuda, her bir hidrojen atomu çekirdeği (proton) eşit
büyüklükte spin vektörüne sahiptir. Rastgele bir dağılım gösteren bu spin vektörlerinin
her biri farklı yönlere sahiptir, bu nedenle vektörel toplam sıfıra eşittir. Bu durumda
dokudaki net manyetizasyon sıfırdır. Doku, manyetik alana (B0) maruz bırakıldığında
protonlar manyetik alan vektörü ile hafif bir eğim yaparak manyetik alan vektörüne
paralel bir eksende sabit hızla dönmeye başlar. Manyetik alan içindeki protonun bu
hareketi presesyon hareketi olarak adlandırılmaktadır (Şekil 1.8) (Brown ve Semelka
2003).
Şekil 1.8 Protonun B0 manyetik alanı içerisindeki dönüşü (Brown ve Semelka 2003)
8
Presesyon hareketinin frekansı, manyetik alan şiddeti ile doğru orantılıdır. Presesyon
frekansı Larmor frekansı olarak adlandırılmaktadır. Larmor frekansı denklem 1.1’de
verilmektedir (Brown ve Semelka 2003).
𝜔0 = 𝛾𝐵0/2𝜋 (1.1)
Denklem 1.1’deki 𝜔0 Larmor frekansı, 𝑩𝟎 manyetik alan şiddeti, 𝛾 sabiti ise her bir
çekirdeğe özel olan gyromanyetik orandır. Larmor frekansının birimi megahertz (MHz),
manyetik alan şiddetinin birimi Tesla (T), jiromanyetik oranın birimi ise s-1
T-1
’dir. Bazı
elementlerin 1.5T manyetik alan içerisindeki 𝛾 ve 𝜔0 değerleri, çizelge 1.2 ’de
verilmektedir (Brown ve Semelka 2003).
Çizelge 1.2 Bazı elementlerin 1.5T manyetik alandaki Jiromanyetik oran ve Larmor
Frekans değerleri (Brown ve Semelka 2003)
9
Manyetik alan dışındayken sıfır olan spin vektörleri toplamı, manyetik alan
içerisindeyken sıfırdan farklıdır. Manyetik alan içerisindeki spin vektörlerinin z
bileşenleri, B0 manyetik alanına paralel ve antiparalel olmak üzere farklı yönleri
göstermektedir. Manyetik alana antiparalel (spin aşağı) olan spin vektörleri, paralel
(spin yukarı) olanlara göre daha yüksek enerji seviyesine sahiptir (Şekil 1.9). İki seviye
arasındaki enerji farkı ∆E, B0 ile doğru orantılır. Paralel durumdan antiparalel duruma
geçmek için ∆E kadar enerjiye ihtiyaç duyarlar. Enerji seviye farkı ∆E formulü
denklem 1.2’de verilmektedir. 𝑁𝑦ü𝑘𝑠𝑒𝑘 yüksek enerji seviyesindeki proton sayısını,
𝑁𝑑üşü𝑘 düşük enerji seviyesindeki proton sayısını, k Boltzmann sabitini (1.381x10-23
J
K-1
), T ise Kelvin cinsinden termal enerjiyi temsil etmektedir (Brown ve Semelka
2003).
𝑁𝑦ü𝑘𝑠𝑒𝑘/𝑁𝑑üşü𝑘 = 𝑒−∆𝐸/𝑘𝑇 (1.2)
𝐵0 = 𝑘𝑇 (1.3)
Şekil 1.9 Protonların manyetik alan dışındaki (sol taraf) ve içerisindeki dizilimi (sağ
taraf) (Brown ve Semelka 2003)
Yüksek ve alçak enerji seviyelerindeki proton sayılarının farklı olması, spin
vektörlerinin toplamının sıfırdan farklı olmasını ve net manyetizasyon (M0) oluşmasını
sağlamaktadır (Şekil 1.10) (Brown ve Semelka 2003).
10
Şekil 1.10 Net manyetizasyon (Brown ve Semelka 2003)
Manyetik alan içerisinde paralel ve antiparalel dizilmiş protonlara farklı frekanslar
içeren dar bir band genişliğinde radyo dalgası atımı gönderilir. Bu atım esnasında
protonlar rezonansa giren protonlar enerjiyi absorbe ederek düşük enerji seviyesinde
yüksek enerji seviyesine geçer. Aynı zamanda yüksek enerji seviyesindeki protonlar da
enerji yayarak düşük enerji seviyesine geçer. Düşük enerji seviyesinde daha fazla proton
bulunduğu için enerji emilimi, enerji yayımına göre daha fazladır. Bu nedenle doku
tarafından net enerji emilimi gerçekleşir. Bu enerji 𝜔0 frekansında olan ve uygulanan B0
manyetik alanına dik bir manyetik alana (B1) sahip radyo dalgasıdır (Şekil 1.11) (Brown
ve Semelka 2003).
Şekil 1.11 Enerji emilimi (Brown ve Semelka 2003)
𝜔0 frekansındaki radyo dalgalarının (90𝑜 atım) emilmesiyle M vektörü denge
noktasından sapar ve B0 ve B0’a dik konuma gelir (Şekil 1.11). Atımın kesilmesiyle M
vektörü 𝜔0 frekansında enerji yayarak ve presesyon hareketi yaparak tekrar eski denge
11
noktasına doğru yönelir. Transversal (x-y) düzlemine dik olarak alıcı sargı yerleştirilirse
presesyon hareketi yapan protonlar sargıda voltaj indüklenmesini sağlar. İndüklenmiş
voltaj MR sinyalini oluşturmaktadır. MR cihazına girildiğinde, vücudumuzda bulunan
hidrojen çekirdeklerinden farklı frekans ve genlikte pek çok MR sinyali üretilir. Bu tip
sinyallerin frekans bölgesinde incelenmesi, zaman bölgesinde incelenemesinden daha
elverişlidir. Bu nedenle MR sinyalleri, Fourier dönüşümü ile zaman bölgesinden frekans
bölgesine dönüştürülürerek görüntü matrisi oluşturulur. Bu matristeki piksellerin
yoğunluk değerleri hesaplandıktan sonra ters Fourier dönüşümü alınarak MR görüntüsü
elde edilir (Brown ve Semelka 2003).
Protonların, radyo dalgası atımından aldığı enerjiyi geri yayma sürecine relaksasyon
denilmektedir. Relaksasyon, MR görüntülemede kontrast oluşumunun temelidir.
Relaksasyon süreleri molekül başına hesaplanmayıp, bütün bir örnek üzerinden
istatistiksel veya ortalama bir değer olarak hesaplanır. Örneğin beyin MR
görüntülerinde relaksasyon süreleri; gri madde ve beyin omurilik sıvısı için
hesaplanmaktadır. Relaksasyon süreleri T1 ve T2 olmak üzere iki çeşittir (Brown ve
Semelka 2003).
T1 relaksasyon süresi, M0 vektörünün z bileşeninin %63 oranında eski konumuna geri
dönme süresidir (Şekil 1.12). T1 süresi, boylamsal relaksasyon süresi olarak da
adlandırılmaktadır (Brown ve Semelka 2003).
90𝑜 atım verildiğinde M0 vektörü enerji absorbe ederek Şekil 1.12’de gösterildiği gibi
sapar ve boylamsal düzlemdeki bileşeni yok olur. Fakat atım kesildikten sonra enerjisini
yayarak eski konumuna geri döner (Şekil 1.11). Boylamsal manyetik alan bileşeninin
geri elde edilmesi, üstel bir fonsiyon olarak ifade edilmektedir (Denklem 1.4). Denklem
1.4’te, 𝜏 radyo dalgası atımı süresini temsil etmektedir (Brown ve Semelka 2003).
𝑀𝑧(𝜏) = 𝑀0(1 − 𝑒(−𝜏/𝑇1)) (1.4)
12
Şekil 1.12 T1 relaksasyon eğrisi (Brown ve Semelka 2003)
Radyo dalga atımı ile boylamsal bileşenler aynı faza gelir, atımdan sonra ise bu faz
uyumunda bozulma meydana gelir. Bu bozulma sırasında M0 vektörünün enlemsel
(transversal) bileşeninin, ilk değerinin %37’sine düşme süresi T2 relaksasyon süresidir
(Şekil 1.13). Bu süreç üstel bir fonsiyon olarak ifade edilmektedir (Denklem 1.5).
Denklem 1.6’daki T2M manyetik alan homojensizliği nedeniyle oluşan faz bozulma
süresi, T2MS ise manyetik duyarlılık farklılığından oluşan faz bozulma süresidir (Brown
ve Semelka 2003).
𝑀𝑋𝑌(𝜏) = 𝑀𝑋𝑌𝑚𝑎𝑥𝑒(−𝜏/𝑇2∗) (1.5)
1/𝑇2∗ = 1/𝑇2 + 1/𝑇2𝑀 + 1/𝑇2𝑀𝑆 (1.6)
13
Şekil 1.13 T2 relaksasyon eğrisi (Brown ve Semelka 2003)
T1 ve T2 süreleri dokuların fiziksel ve kimyasal özelliklerine bağlı olarak ortaya
çıkmıştır. Bu nedenle T1 ve T2 süreleri her bir doku için farklılık göstermektedir. Şekil
1.14 - 1.15’te yağ ve su moleküllerinin T1 ve T2 sürelerinin karşılaştırılmasına ait
grafikler verilmiştir. T1 ve T2 değerleri, doku yoğunluk değerlerinden daha çok
çeşitlilik gösterdiği için MR görüntüleme, röntgen ve bilgisayarlı tomografiye (BT) göre
yumuşak dokular için daha iyi kontrast sağlamaktadır (Edelman ve Warach 1993).
Şekil 1.14 Yağ ve su moleküllerinin T1 sürelerinin karşılaştırılması
(https://www.imaios.com 2008’den değiştirilerek alınmıştır)
14
Şekil 1.15 Yağ ve su moleküllerinin T2 sürelerinin karşılaştırılması
(https://www.imaios.com 2008’den değiştirilerek alınmıştır)
TR RF atım dizileri arasındaki süre, TE ise atomlardan yayılan sinyali dinleme süresidir
(Scott 2009). TR ve TE süreleri, MR görüntülerindeki kontrastı etkilemektedir. TR ve
TE süreleri, farklı dokuların T1 ve T2 relaksasyon süreleri arasındaki farkın miktarının
ayarlanmasını sağlar. Örneğin; kısa TR süresinde, yağ ve su molekülleri arasındaki
relaksasyon süreleri farkı tespit edilebilirken, uzun TR süresinde bu fark tespit
edilememektedir. TR süresi T1 ile ilişkilidir ve T1 ağırlıklı görüntülerin kontrastını
etkiler. Kısa TE süresinde, yağ ve su moleküllerinin T2 sürelerinin farkları tespit
edilemezken, uzun TE süresinde bu fark tespit edilebilmektedir (Şekil 1.16). Uzun TE
sayesinde yağ ve su molekülleri arasındaki kontrast sağlanmış olur (Bitar vd. 2006).
Şekil 1.16 TR ve TE sürelerinin yağ ve su moleküllerinin T1 ve T2 sürelerine etkisi
(https://www.imaios.com 2008’den değiştirilerek alınmıştır)
15
MR görüntüleri, dokuların T1, T2 sürelerinin farklılığından ve proton miktarlarındaki
farklılıktan yaralanılarak; T1-ağırlıklı, T2-ağırlıklı veya proton-yoğunluk-ağırlıklı
olarak elde edilmektedir. T1 ve T2 ağırlıklı görüntülerde dokulara göre MR sinyalinin
yoğunlukları çizelge 1.3’te gösterilmektedir.
Çizelge 1.3 MR görüntülemede sinyal yoğunlukları (Edelman ve Warach 1993)
Doku T1 - Ağırlıklı Görüntü T2 - Ağırlıklı Görüntü
Beyaz Madde Parlak Gri
Gri Madde Gri Açık Gri
Beyin Omurilik Sıvısı Siyah Çok parlak
MS lezyonu (Multiple
Sclerosis)
Gri Parlak
Ölü Doku Koyu Gri Parlak
Tümör Koyu Gri Parlak
Beyin Zarı Tümörü Gri Gri
Apse Koyu Gri Parlak
Ödem Koyu Gri Parlak
T2 ağırlıklı görüntüler yüksek BOS (Beyin Omurilik Sıvısı) sinyalleri nedeniyle BOS’a
yakın olan lezyonları saptamada zorluğa neden olmaktadır. Bu nedenle BOS sinyallerini
bastıran FLAIR sekansı tasarlanmıştır (Hajnal vd. 1992). Şekil 1.17’de T2 ve FLAIR
görüntüleri karşılaştırılmış. Şekil 1.17.a’da T2 ağrlıklı görüntü, şekil 1.17.b’de ise
FLAIR görüntü yer almaktadır. FLAIR görüntüde BOS sinyallerinin bastırıldığı, bu
sayede de ödemli bölgenin sınırlarının daha belirgin olduğu gözlemlenmektedir.
16
Şekil 1.17 T2 ve FLAIR görüntülerin karşılaştırması (Chen vd. 2014)
MR görüntülemede fizyolojik detay bilgisini arttırmak için kontrast madde kullanımına
başvurulmaktadır. Gadolinyum paramanyetik metal iyonu içeren Gd-DTPA
(Gadolinyum Dietilen Triamin Penta Asetik Asit) en sık kullanılan kontrast maddedir.
Paramanyetik kontrast maddelerdeki eşleşmemiş elektronlar ile hidrojen atomları
etkileşime girer ve bu sayede T1 ve T2 zamanı kısalır (Filippi vd. 2005). Gadolinyum
içeren kontrast maddeler, T1 ağırlıklı görüntülerde madde tutan dokularda parlaklığı
artırırken, T2 ağırlıklı görüntülerde önemli bir kontrast artışı sağlamamaktadır (Şekil
1.18) (Runge 1997). Şekil 1.18’de T2 ağırlıklı görüntüye kontrast madde eklendiğinde
kontrastın arttığı, T1 ağırlıklı görüntüye eklendiğinde ise kontrastta önemli bir artışa
neden olmadığı gösterilmektedir. Şekil 1.18.a’ da kontrast madde eklenmemiş T1
ağırlıklı görüntü, şekil 1.18.b’de kontrast madde eklenmiş T1 ağırlıklı görüntü, Şekil
1.18.c’de kontrast madde eklenmemiş T2 ağırlıklı görüntü, şekil 1.18.d’de ise kontrast
madde eklenmiş T2 ağırlıklı görüntü yer almaktadır.
17
Şekil 1.18 T1 ve T2 ağırlıklı beyin MR görüntülerine gadolinyum içeren kontrast madde
eklenmesi (Runge 1997)
Glioblastoma Multiforme (GBM) tümörü taşıyan bir hastaya ait T1 ağırlıklı,
Gadolinyum kontrast madde eklenmiş T1 ağırlıklı, T2 ağırlıklı ve FLAIR sekansında
MR görüntüleri sırasıyla şekil 1.19.a, b, c ve d’de verilmiştir. T1 ağırlıklı görüntülerden,
kontrast madde eklenmiş görüntüde tümörün parlaklığının fazla olduğu; T2 ve FLAIR
görüntüleri karşılaştırıldığında ise FLAIR sekansında ödemli bölgenin sınırlarının daha
belirgin olduğu görülmektedir.
18
Şekil 1.19 GBM tümörüne ait T1 ağırlıklı, gadolinyum kontrast maddeli T1 ağırlıklı, T2
ağırlıklı ve FLAIR görüntüler (http://www.cancerimagingarchive.net 2014)
1.2 Kanser Hücreleri
Normal bir hücrenin DNA’sında meydana gelen başkalaşımlar; hücrede kontrolsüz
çoğalmaya, işlevsel bozukluklara neden olur ve hücre kanser hücresine dönüşür. Normal
hücrelerin büyümesi ve bölünmesi sınırlıdır. Sağlıklı bir hücre belli sayıda mitoz
bölünmeden sonra yaşlanmaya başlar ve çoğalma yeteneğini kaybeder. Kanser hücreleri
ise sınırsızca büyümeye devam eder ve kontrolsüz bir şekilde bölünür (Karlp 2009).
Kanser hücresinin bölünmesi şekil 1.20’de gösterilmektedir.
19
Şekil 1.20 Kanser hücresinin bölünmesi (http://www.cancer.ca 2016e’den değiştirilerek
alınmıştır.)
Normal hücrelerin ve kanser hücrelerinin çoğalmaları arasındaki farkları gözlemlemek
için ayrı ayrı kültür kaplarında çoğalmaları sağlanmıştır. Kabın tabanını kapladıktan
sonra normal hüclerin bölünme hızlarının önemli derecede düştüğü ve kabın tabanında
tek bir katman halinde kaldıkları gözlemlenmiştir. Kanserli hücrelerin ise çoğalmaya
devam ettiği ve üst üstü birikerek yığın halini aldıkları tespit edilmiştir (Karlp 2009).
Normal hücrelerin ve kanser hücrelerinin kültür kabındaki bölünmüş halleri ve
mikroskobik görüntüleri şekil 1.21’de verilmektedir. Şekil 1.21.a’da normal hücrelerin
bölünmesi ile oluşan tek katman, şekil 1.21.b’de normal hücrelerin mikroskobik
görüntüsü, şekil 1.21.c’de kanser hücrelerinin bölünmesi ile oluşan yığın, şekil
1.21.d’de ise kanser hücrelerinin mikroskobik görüntüsü yer almaktadır.
20
Şekil 1.21 Normal hücrelerin ve kanser hücrelerinin çoğalma şekillerinin
karşılaştırılması (Karlp 2009’dan değiştirilerek alınmıştır.)
Bir hücrenin ikiye bölündüğü veya bir grup hücrenin boyut olarak iki katına ulaştığı
süreye, iki katına çıkma süresi denilmektedir. İki katına çıkma süreleri ile tümörün veya
kanser hücrelerinin büyüme hızınının tespit edilmesi, hastalığın seyrinin ve tedavi
planlamasının yapılması açısından büyük önem taşımaktadır. İki katına çıkma süreleri,
kanser hücrelerinin çeşitlerine, yayılıcılıklarına, hastanın yaşına ve cinsiyetine bağlı
olarak değişmektedir. Kanser hücrelerinden hızlı olanlar 1-4 haftada iki katına
çıkabilirken, yavaş olanların iki katına çıkma süreleri 2-6 ay olabilmektedir
(Anonymous 2016e).
Tümörlerin iki katına çıkma süreleri, biyomedikal görüntüleme sistemlerinden elde
edilen 2 boyutlu veya 3 boyutlu görüntülerden yararlanılarak hesaplanmaktadır. Belirli
periyotlarla tümörün görüntülemesi yapılarak gelişimi izlenmekte ve aradaki boyut
farkına bakılmaktadır. Örneğin; kanserli (malignant) glioma tümörünün hacimce ikiye
katlama süresi ortalama 19.5 ± 1.9 gün, metastatik beyin tümörünün 58.48 gün,
Glioblastoma tümörünün ise 49.6 gündür (Yamashita ve Kuwabara 1983), (Yoo vd.
2008), (Stensjoen vd. 2015).
21
Yetişkinlerde, kanser hücresinin oluşum evresi uzun zaman alırken, bu süreç çocuklarda
daha kısa olmaktadır (Anonymous 2016e). Pediatrik kanserler yetişkinlerde görülen
kanserlerden çok farklıdır ve pediatrik onkoloji tarafından incelenirler. Çocuklarda
görülen kanserler, yetişkinleri etkileyen kanserlerden biyolojik olarak farklı olmakla
beraber, vücutta geliştikleri ve yayılım gösterdikleri yerler bakımından da birbirinden
ayrılırlar. Yetişkinlerde görülen kanserlerin; akciğer, kolon, prostat, pankreas ve göğüs
bölgelerinde görülme eğilimleri daha fazladır. Pediatrik kanserler iyileşmeye daha
yatkındırlar. Çocuk hastalarda kemoterapi tedavisinde daha başarılı sonuçlar
alınmaktadır (Anonymous 2016f).
Kanser hücreleri gelişip çoğalırken bir araya gelip tümörleri oluşturabilirler. Kanserli
hücrelerin bir araya gelip, tıbbi görüntüleme sistemleriyle görülebilecek büyüklükte bir
tümör oluşturması haftalar veya yıllar (en fazla 30 yıl) alabilmektedir. Tümörün
görülebilir düzeye gelmesi için geçen sürede kanser hücresi 30 veya 30’dan fazla
bölünme (ikiye katlama) gerçekleştirmektedir. Bu nedenle tümör çok küçük olsa bile
milyonlarca hücre taşıyabilmektedir (Anonymous 2016e).
1.3 Nörolojik Görüntüleme ve Beyin Tümörü Çeşitleri
Tedavi planlamasını standartlaştırmak üzere Dünya Sağlık Örgütü (World Health
Organization - WHO) beyin tümörlerinde sınıflandırma ve derecelendirme sistemi
geliştirmiştir. Bu sistemde beyin tümörler hücre tipine bakılarak ve biyopsi/mikroskop
incelemeleri ile belirlenen derecelerine göre sınıflandırılır (Anonymous 2016b).
Biyopsi ve mikroskobik incelemelerin tamamen göreceli değerlendirmeler olması,
tümörün anatomik yeri ve büyüklüğü gibi önemli ayırt edici bilgilerin eksik olması
nedeniyle Dünya Sağlık Örgütünün geliştirdiği sınıflandırma yöntemi cerrahi operasyon
ve tedavi planlamaları açısından yetersiz kalmaktadır. Nörolojik görüntüleme
sistemleriyle tümörün beyindeki konumu ve büyüklüğü belirlenebilmekte ve bu sayede
sınıflandırmadaki eksiklikler tamamlanmaktadır (Cha 2006).
22
Beyin tümörleri gelişim gösterdikleri bölgeye göre birincil ve ikincil (metastatik) olmak
üzere iki grupta incelenirler. Birincil tümörler beyin dokusunda oluşurken, ikincil
tümörler vücudun farklı bölgelerindeki kanser hücrelerinin beyine yayılmasıyla
oluşmaktadır. Birincil tümörler, kanserli (benign) tümörler ve kanserli olmayan
(malignant) tümörler olmak üzere iki çeşittir. İyi huylu tümörler yavaş üreyen, sınırları
belirgin olan, genellikle çevresindeki beyin dokusuna yayılma göstermeyen tümörlerdir.
Çevre dokulara yayılmadıkları için cerrahi operasyonla alındıktan sonra tekrar etme
olasılıkları çok düşüktür. Kötü huylu beyin tümörleri hızlı üreyip çevredeki sağlıklı
dokulara yayılan, sınırları belirsiz olan tümörlerdir. Kötü huylu tümörler ameliyetla
alınmış olsa da çevre dokulara yayıldığı için tekrarlarlar, bu nedenle hastaya ameliyat
sonrası radyoterapi veya kemoterapi uygulanması gerekmektedir (Anonymous 2016a).
120’den fazla birincil beyin tümörü çeşidi vardır. Glioma ve Menenjio en yaygın
görülen birincil beyin tümörleridir. Göğüs, akciğer, kolon, böbrek ve cilt kanserleri
ikincil beyin tümörlerini oluşturan en yaygın kanserlerdir (Anonymous 2016c).
1.4 Yaygın Görülen Birincil Beyin Tümörleri
1.4.1 Glioma
Glioma; Astrositom, Oligodendrogliom ve Ependimom olmak üzere 3 çeşittir.
1.4.1.1 Astrositom
Astrositom en sık görülen glioma tümörüdür. Kökenini, nöronları koruyan ve destek
sağlayan astrosit hücrelerinden alır. Astrositomlar büyüme hızlarına göre düşük dereceli
(1. ve 2. derece) ve yüksek dereceli (3. ve 4. derece) olarak sınıflandırılırlar. Anaplastik
Astrasitom ve Glioblastoma Multiforme (GBM) yetişkinlerde en yaygın görülen astrosit
kökenli kötü huylu (yüksek dereceli) tümörlerdir (Anonymous 2016d).
Glioblastoma tümörünün T1 ağırlıklı, T2 ağırlıklı, FLAIR görüntüleri ve kontrast
madde eklenmiş FLAIR görüntüleri sırasıyla şekil 1.22.a, b, c ve d’de yer almaktadır.
23
T1 ağırlıklı görüntüde tümör, T2 ağırlıklı görüntüde ise ödem görülmektedir. FLAIR
görüntüde ödem T2 ağırlıklı görüntüye oranla daha belirgindir. Tümör ve tümörü
çevreleyen ödemin en belirgin olarak incelenebileceği görüntünün kontrast maddeli
FLAIR görüntü olduğu gözlemlenmektedir. Şekil 1.22.d’de tümör oklarla
gösterilmektedir.
Şekil 1.22 Glioblastoma tümörünün T1 ağırlıklı, T2 ağırlıklı, FLAIR ve kontrast madde
eklenmiş FLAIR görüntülerinin karşılaştırılması (Drevelegas 2011)
1.4.1.2 Oligodendrogliom
Oligodendrogliom, spinal kord içindeki sinir liflerini çevreleyen miyelin kılıfı oluşturan
oligodendrogliya hücrelerinden kaynak alan bir tümör tipidir. Daha çok serebrum, ön
lop ve temporal lopta görülen Oligodendrogliom tümörü, nadiren merkezi sinir
sistemine de sıçrayabilir (Anonymous 2016d).
Şekil 1.23.a, b ve c’de; oligodendrogliom tümörüne ait T1, T2 ve kontrast maddeli T1
görüntüleri sırasıyla verilmiştir. T1 ağırlıklı görüntüde yumuşak doku ve kist benzeri
24
yapılar, T2 ağırlıklı görüntüde ödem, kontrast maddeli T1 görüntüde ise tümör belirgin
bir şekilde gözlenebilmektedir.
Şekil 1.23 Oligodendrogliom tümörüne ait T1, T2 ve kontrast maddeli T1 görüntüler
(Koeller ve Rushing 2005)
1.4.1.3 Ependimom
Ependimom tümörü, beyin ventrikülleri ve omurilik kanalının iç duvarlarını kaplayan,
ependim hücrelerinin kontrolden çıkıp değişmesiyle meydana gelir. Ependimom
tümörüne daha çok spinal kord ve beyin ventriküllerinde rastlanmaktadır (Anonymous
2016d).
Şekil 1.24.a, b ve c’ de; ependimom tümörüne ait T1, T2, FLAIR ve kontrast maddeli
T1 görüntüleri sırasıyla yer almaktadır. T1 görüntüde okla gösterilen parlak yerler iç
kanama olan alanları ve tümörleri gösterirken, FLAIR görüntüde oklar ölü dokuları
göstermektedir. T2 görüntüde üst kısımdaki ok heterojen dağılmış tümörlü bölgeyi, alt
taraftaki ok ise ölü dokulara işaret etmektedir. Kontrast maddeli T1 görüntüde siyah
oklarla tümör ve ölü dokular işaret edilirken, beyaz oklarla beyin zarı ve kemiğe doğru
olan taşma gösterilmiştir (Mermuys vd 2005).
25
Şekil 1.24 Ependimom tümörüne ait T1, T2, FLAIR ve kontrast maddeli T1 görüntüler
(Mermuys vd 2005)
1.4.2 Menenjiom
Menenjiom beyin zarından köken alan, genellikle serebrum ve beyincikte gözlenen bir
tümör çeşididir. Genellikle 1. derecedirler (kanserli olmayan) fakat nadiren 2 ve 3.
derecede olabilirler. 1. derece olan menenjiomlar cerrahi operasyonla çıkarılabilirler ve
ameliyat sonrası tedaviye ihtiyaç duyulmazken, 2. ve 3. derece olan menenjiomlarda
operasyon sonrası tümörün tekrarlamasını önlemek için radyoterapi ve kemoterapi
gerekmektedir (Anonymous 2016d). Şekil 1.25.a, b ve c’de menenjiom tümörüne ait
sırasıyla T1, T2 ve kontrast maddeli T1 görüntüleri gösterilmektedir.
26
Şekil 1.25 Menenjiom tümörüne ait sırasıyla T1, T2 ve kontrast maddeli T1 görüntüleri
(Smith vd 2014)
1.5 Görüntü Bölütleme Metodları
Bölütleme algoritmalarının çoğu, yoğunluk değerlerinin iki temel prensibi olan
süreksizlik ve benzerlik özelliğine dayanmaktadır. Obje kenarlarında mevcut olan ani
yoğunluk değişimlerini temel alarak görüntüyü bölme ve önceden belirlenmiş benzerlik
kriterlerine göre görüntüyü alanlara ayırma, bölütleme algoritmalarının başlıca
amaçlarıdır. Nokta, çizgi ve kenar belirleme metodları yoğunluk değerlerinin süreksizlik
prensibine dayanırken; eşikleme, alan genişletme, alan bölme ve birleştirme yöntemleri
benzerlik prensibini temel almaktadır (Gonzalez ve Woods 2010).
Görüntü işlemede bölütleme yöntemleri sayesinde ilgi bölgesi (ROI) çıkarılıp, dokuların
birbirinden ayrılabilmektedir. Örneğin; beyin MR görüntülerinde beyin omurilik sıvısı
(CSF), beyaz madde ve gri maddenin farklı renklerde ifade edilmesi; tümör ve ödemli
bölgenin sağlıklı dokulardan ayrılması, bölütleme metodları sayesinde
gerçekleşmektedir (Norouzi vd. 2014).
27
1.5.1 Nokta, çizgi, kenar belirleme
Yerel ortalama yönteminde kullanılan integral alma işlemiyle görüntü yumuşatılırken,
türev işlemi kullanılarak yoğunluktaki ani yerel değişimler tespit edilebilmektedir.
Birinci ve ikinci derece türevler alınarak obje sınırları belirlenmektedir. Sayısal
fonksiyonun türevi fark alma işlemine eş değerdir. Birinci derece türev işlemiyle
genellikle kalın kenarlar elde edilirken, ikinci derece türev işlemi sayesinde ince
kenarlar, izole noktalar ve gürültü gibi detay bilgiler elde edilmektedir. İkinci derece
türevin işaretine bakılarak, belirlenen sınırdan geçişin koyudan açığa yada açıktan
koyuya doğru olduğu tespit edilebilmektedir (Gonzalez ve Woods 2010).
1.5.2 Eşikleme
Eşikleme, görüntülerin farklı gri seviyedeki bölgelerden oluştuğunu varsayan, basit ve
hızlı bölütleme algoritmalarındandır. Görüntülerin histogramlarından elde edilen tepe ve
çukur noktalarındaki değerlerden yararlanarak eşik değeri belirlenmektedir. Eşik değeri
görüntüyü arka plan ve ön plan olmak üzere iki kısma ayırır. Eşik değerinin altında
kalan kısım görüntünün arka planını, üstünde kalan kısım ise ön planı oluşturmaktadır
(Norouzi vd. 2014).
𝑔(𝑥, 𝑦) = {ö𝑛 𝑝𝑙𝑎𝑛 𝑒ğ𝑒𝑟 𝑓(𝑥, 𝑦) ≥ 𝑇
𝑎𝑟𝑘𝑎 𝑝𝑙𝑎𝑛 𝑒ğ𝑒𝑟 𝑓(𝑥, 𝑦) < 𝑇 (1.7)
Denklem 1.7’deki f(x,y) (x, y) konumunda bulunan piksel yoğunluğunu belirtirken, T
eşik değerini belirlemektedir.
Eşiklemenin sonucunda yalnızca iki sınıfın oluşması ve çok kanallı görüntülere
uygulanamaması eşikleme yönteminin yetersiz kaldığı noktalardır. Ayrıca uzamsal
özelliklerinin ihmal edilmesi, MR görüntülerinde sıkça rastlanan gürültü ve yoğunluk
homojensizliğine karşı duyarlı olmasına neden olmaktadır. Bu nedenle medikal görüntü
bölütlemede eşikleme yönteminin yerel yoğunluk ve bağlanırlık özelliklerini dikkate
alan varyasyonlarının kullanılması bölütlemedeki başarıyı artırmaktadır (Pham vd.
28
2000). Birden fazla objeyi farklı gri seviye değerleriyle ayırmak için birden fazla eşik
değeri kullanılmalıdır. Bu tür eşikleme, çoklu eşikleme yöntemi olarak
adlandırılmaktadır (Norouzi vd. 2014). Şekil 1.26.a’da beyin MR görüntüsü, şekil
1.26.b’de ise MR görüntüsüne uygulanan eşikleme sonucu yer almaktadır.
(a) (b)
Şekil 1.26 Eşikleme yöntemi ile bölütleme (http://www.cancerimagingarchive.net
2014)
1.5.3 Alan tabanlı bölütleme
Alan tabanlı bölütlemede pikseller yoğunluk değerlerindeki benzerlikler ve öklit
uzaklıklarının temel alındığı uzamsal yakınlık kriterlerine göre gruplandırılmaktadır
(Kaganami ve Beiji 2009).
1.5.3.1 Alan genişletme
Alan tabanlı bölütleme, genişleme işlemi için önceden belirlenen kriterler temel alınarak
piksellerin veya alt alanların daha büyük alanlarda gruplandırıldığı bir yöntemdir.
Öncelikle bir tohum kümesiyle işleyiş başlatılır, önceden belirlenen yoğunluk aralığı ve
renk gibi benzerlik kriterlerine uyan tohumların komşu piksellere bağlanmasıyla gruplar
oluşturulur (Gonzalez ve Woods 2010). Alan genişletme algoritmasının tohum noktası
seçme konusunda kullanıcıya bağımlı olması ve gürültü hassasiyeti bu yöntemin
olumsuz yanlarındandır. Şekil 1.27.a’daki beyin MR görüntüsünde tümörün içinde bir
29
tohum noktası seçilmiş ve alan genişletme yöntemi uygulanarak bölütleme yapılmıştır.
Bölütleme işleminin sonucu şekil 1.27.b’de gösterilmektedir.
(a) (b)
Şekil 1.27 Tohum noktası seçilmiş orijinal MR görüntüsü ve alan genişletme
algoritması sonucu (http://www.cancerimagingarchive.net 2014)
1.5.4 Morfolojik Su Seti ile Bölütleme
Su seti bölütlemesi, görüntüyü iki uzamsal koordinat ve yoğunluk olmak üzere, üç
boyutlu olarak görselleştirme amacı taşıyan bir algoritmadır (Gonzalez ve Woods
2010).
Su seti, gradyan tabanlı bir bölütleme tekniğidir. Bu metoda göre gradyan farklılıkları
yükseklik farklarını oluşturmaktadır. Görüntüdeki yerel minimumların her birinin çukur
olduğu ve bu çukurların su ile doldurulduğunda suyun yerel maksimum noktalarına
kadar yükseldiği düşünülmektedir. İki su kütlesinin buluştuğunda aralarına set
çekilmektedir. Görüntü bu setler sayesinde bölütlenmektedir. Bu algoritmaya göre
görüntü havza ve su setlerden oluşmaktadır. Havzalar bölütlenen alanları, su setleri ise
bu alanların sınırlarını temsil etmektedir (Gonzalez ve Woods 2010, Balafar vd. 2010).
30
1.5.5 Sınıflandırma metodları
Sınıflandırma, eğitim seti yardımıyla gerçekleştirilen bir örüntü tanıma tekniğidir.
Eğitim veri seti görüntünün karakteristik özelliklerini taşıyan örneklerden
oluşturulmaktadır. Sınıflandırma, eğitim verileri otomatik olmayan bölütleme yapılıp
daha sonra otomatik sürece sunulduğu için gözetimli öğrenme olarak da
adlandırılmaktadır. Basit sınıflandırma yöntemlerinden olan en yakın-k-komşuluğu ve
parametrik sınıflandırma yöntemlerinden olan en çok olabilirlik yöntemleri yaygın
olarak kullanılan sınıflandırma metodlarındandır (Norouzi vd. 2014).
1.5.5.1 En-Yakın-k-komşuluğu
En-yakın-k-komşuluğu, piksellerin istatistiksel özelliklerine ait bilgi gerektirmemesi
nedeniyle parametrik olmayan bir sınıflandırma yöntemidir. En-yakın-k-komşuluğu
algoritmasında, pek çok örnek veri içeren eğitim setine ihiyaç duyulmaktadır (Norouzi
vd. 2014).
1.5.5.2 En çok benzerlik yöntemi
En çok benzerlik yönteminde, istatistiksel modelin parametre kestirimi yapılmaktadır.
Bu algoritmada fazla miktarda veri topluluğu olduğu ve bu veri topluluğundan sadece
bir örnek kümesine sahip olunduğu varsayılmaktadır. Orijinal verilerin dağılımının
bulunması mümkün olmamaktadır, bu nedenle dağılım parametresi bulunması
gerekmektedir. Gauss dağılımı en sık kullanılan dağılım modellerindendir. Bu sayede
örnek veri kümesinin ortalama değer ve varyansı bulunarak orjinal veri modelinin
kestirimi yapılmaktadır. En çok benzerlik yöntemi ile orijinal veri kümesine en yakın
modelini elde etmek için en iyi kestirimin yapılması hedeflenmektedir (Norouzi vd.
2014).
31
1.5.6 Kümeleme metodları
Kümeleme algoritmaları eğitim seti yardımı gerekmeksizin sınıflandırma
algoritmalarıyla benzer işleyişe sahip olan gözetimsiz metodlardır. Kümeleme
algoritmalarında, bölütleme ve sınıfların karakteristik özelliklerinin çıkarılması işlemleri
dönüşümlü olarak tekrarlanmakta, bu sayede eğitim setine duyulan ihtiyaç ortadan
kalkmaktadır (Pham vd. 2000).
1.5.6.1 K-Ortalamalar
K-ortalamalar, her bir kümenin ortalamasına bağlı olarak görüntünün k tane kümeye
ayrıldığı, en sık kullanılan gözetimsiz metodlardandır. Öncelikle veriler k tane kümeye
ayrılmakta daha sonra da her bir kümenin ortalaması hesaplanmaktadır. Her bir verinin,
tüm kümelerin ortalamasına olan öklit uzaklıkları hesaplanmakta ve veriler en
yakınındaki kümeye ait olmaktadır. K-ortalamalar algoritmasında girdi olarak bir vektör
kullanılırken, çıktı olarak k adet vektör elde edilmektedir. Bu nedenle k-ortalama
algoritmasını 2 boyutlu olan MR görüntülerine uygulayabilmek için pikseller bir vektör
haline getirilmelidir (Norouzi vd. 2014). Şekil 1.28.a’ daki T1 ağırlıklı beyin MR
görüntüsüne k değeri 3 seçilerek k-ortalama algoritması uygulanmıştır. Elde edilen
görüntü şekil 1.28.b’ de gösterilmektedir.
(a) (b)
Şekil 1.28 K-ortalama algoritmasıyla bölütleme (http://www.cancerimagingarchive.net
2014)
32
1.5.6.2 Bulanık C-ortalama
Bulanık C-ortalama algoritması her bir kümenin ortalamasına bağlı olan ve benzer
verilerin aynı kümede toplandığı gözetimsiz bir kümeleme metodudur. Gri seviye MR
görüntülerinde dokuların yoğunluk değerlerinde örtüşme sıkça görülmektedir. Bulanık
kümeleme medikal görüntü bölütlemeye uygun olan ve başarılı sonuçlar sağlayan
metodlardan bir tanesidir (Norouzi vd. 2014). Şekil 1.29.a’da orjinal MR görüntüsü,
şekil 1.29.b’de ise bu görüntünün bulanık c-ortalama uygulanmış hali gösterilmektedir.
Bulanık c-ortalama algoritması, pikselleri bulanık üyeliklerine göre gruplara ayırır. Bu
algoritma değer fonksiyonunu minimize etme temeline dayanan, tekrarlı optmizasyon
yöntemidir. Değer fonksiyonu denklem 1.8’de gösterilmektedir.
𝐽 = ∑ ∑ 𝑢𝑖𝑗𝑚‖𝑥𝑗 − 𝑣𝑖‖
2𝑐𝑖=1
𝑁𝑗=1 (1.8)
𝑋 = (𝑥1, 𝑥2, … , 𝑥𝑁) N tane pikselden olup c tane kümeye ayrılmak istenen bir
görüntüyü temsil etmekte, 𝑥𝑖 görüntü özellik bilgilerini içermektedir. 𝑢𝑖𝑗 , i
kümesindeki 𝑥𝑗 pikselinin üyeliğini, 𝑣𝑖 ise i kümesinin merkezini temsil etmektedir. Bir
sabit olan m parametresiyle ilgili bölgeye ait bulanıklık kontrol edilmektedir (Chuang
vd 2006).
Kümelerinin merkezlerine yakın olan piksellere yüksek üyelik değeri, uzak olanlara
düşük üyelik değeri atanarak değer fonksiyonu minimize edilmektedir. Üyelik
fonksiyonu, bir pikselin belirli bir kümeye ait olma olasılığını temsil etmektedir. Bu
olasılık hesaplanırken piksel ve ilgili kümenin merkezinin birbirine olan uzaklığı temel
alınmaktadır (Chuang vd 2006).
Üyelik fonksiyonu ve küme merkezleri, denklem 1.9 ve denklem 1.10 kullanılarak
güncellenmektedir (Chuang vd 2006).
33
𝑢𝑖𝑗 = 1
∑ (‖𝑥𝑗−𝑣𝑖‖
‖𝑥𝑗−𝑣𝑘‖)
2/(𝑚−1)
𝑐𝑘=1
(1.9)
𝑣𝑖 = ∑ 𝑢𝑖𝑗
𝑚𝑥𝑗𝑁𝑗=1
∑ 𝑢𝑖𝑗𝑚𝑁
𝑗=1
(1.10)
Başlangıçta her bir kümenin merkezi için tahmini bir atama yapılır, ve 𝑣𝑖 yerel
minimuma ulaşana kadar iterasyon devam eder. Algoritmanın durma koşulu, iki
iterasyon basamağındaki üyelik fonksiyonlarındaki veya küme merkezlerindeki değişim
karşılaştırılarak kontrol edilmektedir (Chuang vd 2006).
(a) (b)
Şekil 1.29 Bulanık c-ortalama algoritmasıyla bölütleme
(http://www.cancerimagingarchive.net 2014)
1.5.6.3 Beklenti maksimizasyonu algoritması (EM Algoritması)
Beklenti maksimizasyonu algoritması, en-yüksek-benzerlik tahmini hesaplaması
yapmak üzere yinelemeli işlemlerden meydana gelen gözetimsiz bir algoritmadır. Bu
algoritma tekrarlı olarak çalışan E ve M olmak üzere iki aşamadan oluşmaktadır. Birinci
aşamada benzerlik olasılığı hesaplanırken, ikinci aşamada en-yüksek-benzerlik tahmini
yapılmaktadır. Birinci aşamada bulunan benzerlik olasığı, maksimize edilmek üzere
34
ikinci aşamada kullanılmaktadır. M aşamasında kullanılan parametre, istenilen hata
karesine ulaşana kadar E aşaması için tohum noktası olmaktadır. Tekrarlamalı süreç,
hatayı ve uygulama süresini minimize edecek şekilde belirlenmiş olan durma koşuluna
kadar devam etmektedir. Beklenti maksimizasyonu algoritması, Gauss karışım modeli
parametrelerinin ilk değerlerinin atanmasına ihtiyaç duymaktadır. Kovaryans
matrislerinin başlangıç değerleri birim matrislerinden oluşturulurken, c-ortalama
değerlerinin başlangıç değerleri k-ortalama kullanılarak elde edilen Gauss karışım
merkezlerinden oluşturulmaktadır (Norouzi vd. 2014).
1.5.7 Hibrit metodlar
Alan genişletme, alan ayırma ve birleştirme gibi bazı bölütleme algoritmaları alan
tabanlıyken, bozunabilir modeller gibi hibrit metodlar görüntü içerisindeki objelerin
sınırlarını ve ilgi alan bölgesini (ROI) temel almaktadır (Norouzi vd. 2014).
1.5.7.1 Bozunabilir modeller
Bozunabilir modeller, iç,dış ve imge kuvvetlerinin etkisiyle biçim alan kapalı
parametrik eğrilerle bölgenin sınırlarını betimleyen, model tabanlı metodlardır. Objenin
sınırlarını tanımlayabilmek için öncelikle kapalı eğriler veya yüzeyler tanımlanmak
istenen sınıra yakın konumlandırılmalı daha sonra tekrarlayıcı sürece geçilmelidir
(Norouzi vd. 2014). İç kuvvetler, eğrinin/yüzeyin biçim değiştirme süresince düzgün
olmasını sağlamaktadır. Dış kuvvetler eğriyi yerel minimumda tutmak üzere
oluşturulmuştur. İmge kuvvetler ise eğrileri, görüntüdeki kenar ve kontur gibi belirgin
hatlara doğru yönlendirme görevini üstlenmektedir (Kass vd. 1988).
Bozunabilir modellerden en çok kullanılanlardan bir tanesi yılan olarak da bilinen aktif
kontur modelidir. Aktif kontur modeli yarı otomatik bir bölütleme yöntemidir.
Başlangıç noktası kullanıcı tarafından ilgili sınıra yakın bir yere konur ve enerji
minimizasyonu yapılarak eğriyi oluşturacak yol belirlenir (Kass vd. 1988).
35
Medikal görüntü bölütlemede başarılı sonuçlar sağlayan bozunabilir modeller, sıkça
başvurulan yöntemlerdendir. Şekil 1.30.a’da kalp MR görüntüsü, şekil 1.30.b’de ise bu
görüntünün aktif kontur uygulanmış hali gösterilemektedir. Şekil 1.30.b’de aktif kontur
algoritması daire biçiminde bir eğriyle başlatılmış daha sonra eğri, sol karıncığın iç
duvarının sınırlarını ortaya koyacak şekilde biçimlenmiştir (Pham vd. 2000).
(a) (b)
Şekil 1.30 Aktif kontur modeli kullanarak MR görüntüsünden sol karıncığın iç
duvarının bölütlenmesi (Pham vd. 2000)
1.6 Görüntü Enterpolasyonu
Enterpolasyon; yeniden boyutlandırma, döndürme ve geometrik düzeltme için
kullanılan bir yöntemdir. Enterpolasyon, yeniden örnekleme olarak da
adlandırılmaktadır. Bu yöntemin temeli, bilinen verilerden yararlanarak, bilinmeyen
konumlardaki verilerin bulunmasına dayanmaktadır. Örneğin; 500x500 piksel
boyutunda bir görüntü, 1.5 kat büyütülerek 750x750 piksel boyutuna getirilmek
istenmektedir. Öncelikle, orijinal görüntü ile aynı piksel mesafesine sahip 750x750
kareden oluşan hayali bir tablo oluşturulur. Daha sonra bu hayali tablo, orijinal görüntü
ile aynı boyuta sığacak şekilde üst üste oturtulur. Bu durumda küçültülen tablonun
piksel mesafesi, orijinal görüntünün piksel mesafesinden daha küçük olacaktır. 750x750
karelik hayali tablonun her bir karesi için, orijinal görüntüdeki en yakın komşu pikselin
36
değeri, yeni yoğunluk değeri olarak atnır. Bu şekilde, orijinal görüntüden 1.5 kat büyük
bir görüntü elde edilmiş olur. Bu yöntem en yakın komşuluk enterpolasyonu olarak
adlandırılmaktadır. En yakın 4 komşu pikselin kullanıldığı bilineer enterpolasyon ve 16
komşu pikselin kullanıldığı bikübik enterpolasyon, en yakın komşuluk yöntemine göre
daha iyi sonuçlar vermektedir (Gonzalez ve Woods 2010).
Denklem 1.11’ de bilineer enterpolasyon, denklem 1.12’de ise bikübik enterpolasyon
formülü verilmektedir. Yoğunluk değeri atanmak istenilen koordinat (𝑥, 𝑦), bu
koordinatl değeri ise 𝜗(𝑥, 𝑦) ile gösterilemektedir (Gonzalez ve Woods 2010).
𝜗(𝑥, 𝑦) = 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑥𝑦 + 𝑑 (1.11)
𝜗(𝑥, 𝑦) = ∑ ∑ 𝑎𝑖𝑗𝑥𝑖𝑦𝑗3𝑗=0
3𝑖=0 (1.12)
37
2. KAYNAK ÖZETLERİ
Tümör bölütlemede en çok makine öğrenme algoritmalarına başvurulmaktadır. Makina
öğrenme algoritmalarından örüntü tanıma algoritmaları objelerin şekil bilgisine
dayanmaktadır. Tümörler belirli şekilleri olmadığı için örüntü tanıma algoritmaları,
eğitim verileri kümesi gibi uzmana bağımlı metodlardan yararlanmayı gerektirmektedir.
Uzman ve kullanıcıdan bağımsız, otomatik bölütleme yapmak adına literatürde bazı
yaklaşımlar önerilmiştir. Beyin MR görüntülerindeki anormal yapıların otomatik olarak
bölütlenmesine ilişkin mevcut çalışmalar bu bölümde özetlenmiştir.
Khotanlau vd. (2006), Saha vd. (2012), Dvorak vd. (2013) beynin anatomik yapısından
faydalanarak simetri yöntemini temel alan yöntemler önermişlerdir.
Khotanlau vd. (2006), beynin yaklaşık simetri düzlemine göre asimetrik alanı bularak
3D MRI bölütleme algoritmalarını uygulamaya yönelik bir metod önermiştir.
Görüntü ve görüntünün simetri düzlemine göre yansıması arasındaki benzerlik derecesi
hesaplanmıştır. Benzerliğin maksimuma ulaştığı durumda en iyi simetri ekseni elde
edilmiştir. Bu optimizasyon, temel durum ekseni ile başlatılan, inişli tek yönlü metod
(downhill simplex method) kullanılarak yapılmıştır. Belirlenen simetri düzlemi beyni
iki yarım küreye ayırdığı düşünülmüş ve bu iki yarım kürenin gri seviye
karakteristikleri (ortalama değer ve standart sapma) karşılaştırılarak asimetrik olan
kısım bulunmuştur. Daha sonra bozunabillir model ve uzaysal ilişki kombinasyonu
uygulanarak tümör bölütlemesi yapılmıştır.
Khotanlau vd. (2009) öncelikle beynin kafatası, deri, yağ ve dokusu gibi istenmeyen
kısımlarını yok etmek için, histogram ve simetri analizi yöntemlerini kullanarak beyni
bölütlemiştir. Histogram analizi sonucu oluşan ikili görüntünü ve bu görüntünün
yansımasının farkını alarak asimetriye neden olan anormal bölgeyi tespit etmiştir.
Beynin istenmeyen kısımları çıkarıldıktan sonra yaklaşık simetri ekseni hesaplanmış ve
bu eksenlere göre ayrılan sağ ve sol yarım kürelerin histogram farklarından yararlanarak
tümör bölütlemesi yapılmıştır. Bölütlemede doğruluğu arttırmak için mevcut çalışmaya
38
parametrik bozunabilir metod (parametric deformable method) uygulanarak anormal
yapının sınırları belirlenmiştir.
Saha vd. (2012), sınırlayıcı kutu yöntemini kullanarak kontrast madde eklenmiş T1
görüntülerde tümör, T2 görüntülerde ise ödem içeren bölgeleri sınırlandıran bir yöntem
önermiştir. Görüntünün sol-sağ olmak üzere histogramları normalize edilmiş ve
Bhattacharya katsayıları bulunmuştur. Bhattacharya katsayıları kullanılarak skor
fonksiyonu elde edilmiştir. Elde edilen skor fonksiyonunun en yüksek ve en düşük
değerleri çerçevenin sınırlarıdır. Sınırlanan anormal bölgeye Chan-Vese algoritması
uygulanarak tümör/ödem bölütlenmiştir. Dvorak vd. (2013) de Bhattacharya katsayıları
kullanılarak simetri analizi yapmıştır. Çalışmalarındaki amaç tümör bölütlemesi
olmayıp , T2 ağırlıklı görüntülerde tümör taşıma ihtimali bulunan bölge varsa ortaya
çıkarmaktır. Bhattacharya katsayıları sayesinde asimetri olasılık haritası oluşturulmuş
ve bu harita üzerinde özellik çıkarma yöntemlerini kullanarak tümör olup olmadığını
tespit etmişlerdir.
Yones,.ve Moussa (2012) bulanık bağlanabilirlik yöntemini kullanarak tümör hacmi
belirleme üzerine bir çalışma yapmıştır. Bu yönteme göre, bir hastaya ait bütün MR
kesitleri bulanık bağlanabilirlik yöntemi kullanılarak bölütlenir ve alanları bulunur.
Hacim hesabı ise bulunan alanlar, kesit kalınlığı ve kesitler arasındaki boşluktan
yararlanılarak yapılmaktadır.
39
3. MATERYAL ve YÖNTEM
3.1 Materyal
Bu çalışmada önerilen algoritma, beyin tümörlü on hastanın FLAIR, kontrast maddeli
T1 ve kontrast maddesiz T1 ağırlıklı, eksenel MR görüntülerinden test edilmiştir.
Algoritmanın uygulandığı MR görüntüleri The Cancer Imaging Archive (TCIA)’ den
(http://www.cancerimagingarchive.net) temin edilmiştir. The Cancer Imaging Archive
(TCIA), kanserli medikal görüntülerin bulunduğu büyük bir veri arşividir. TCIA’dan
edinilen beyin MR görüntüleri DICOM formatındadır. Bu çalışmada kullanılan kesitler,
256x256 piksellik, 16-bit gri seviye matrislerdir. Pikseller arası mesafe 0.938 mm,
kesitler arasındaki boşluk ve kesit kalınlıkları ise 3 mm’dir. On hastadan herbiri 40 ile
50 arasında kesit sayısına sahiptir.
3.2 Yöntem
MR görüntülerinde baş bölgesine ait anormal yapıların belirlenmesi ve hacimlerinin
hesaplanması algoritması; otomatik eşik değeri bulma, kafatası yok etme, simetri
analizi, ödem bölütleme, tümör bölütleme ve alan hesabı, hacim hesabı ve 3 boyutlu
görüntüleme olmak üzere 6 ana kısımdan oluşmaktadır.
3.2.1 Otomatik eşik değeri bulma
Bu kısımdaki amaç, histogram analizi yaparak kullanıcı müdahalesi gerektirmeden bir
eşik değeri atamaktır. Bu çalışmada önerilen otomatik eşik değeri bulma yöntemi, her
bir kesit için ayrı eşik değeri belirleyen adaptif bir yöntemdir.
Eşik değeri bulmak için kontrast maddeli T1 ve kontrast maddesiz T1 ağırlıklı
görüntülerin histogram farklarından yararlanılmıştır. Otomatik eşik değeri bulma
algoritması akış şeması şekil 3.1’de gösterilmektedir.
40
Şekil 3.1 Otomatik eşik değeri bulma algoritması akış şeması
Kontrast maddeli T1 ve kontrast maddesiz T1 görüntülerdeki gürültüyü yok etmek için
ortanca süzme yapılmıştır. Ortanca süzgeç, doğrusal olmayan sıra istatistiği
süzgeçlerdendir ve tuz ve biber gürültüsü gibi yüksek frekanslı gürültüleri yok etmekte
kullanılır. Bu yöntemde, merkez ve komşu piksellerin ortancası belirlenir ve ortanca
değer yeni merkez piksel kabul edilir (Gonzalez ve Woods 2010).
41
Görüntülerin kenar kısımları kırpılarak sadece ilgili bölgenin histogram değerlerinin
değerlendirilmesi amaçlanmıştır. Kırpma işleminin koordinatlarını bulmak için
öncelikle aktif kontur yöntemi uygulanarak Şekil 3.2.b ve şekil 3.3.b’de gösterilen ikili
görüntüler elde edilmiştir. Bu çalışmada, aktif kontur yöntemi Chan-Vese algoritması
ile gerçekleştirilmiştir. Chan-Vese algoritmasında eğri, su seti bölütlemesi yardımıyla
elde edilmektedir (Chan ve Vese 2001). Klasik aktif kontur yöntemlerinde görüntünün
gradientine bağlı olarak algoritma durdurulur (Chan ve Vese 2001). Chan-Vese
algoritmasında ise gradiente gerek duyulmadan Mumford-Shah bölütlemesi yöntemi ile
iterasyon sonlandırılır (Chan ve Vese 2001). Bu çalışmada maksimum iterasyon sayısı
300 olarak atanmıştır.
(a) (b)
Şekil 3.2 Kontrastsız T1 görüntü ve aktif kontur sonucu
(a) (b)
Şekil 3.3 Kontrast maddeli T1 görüntü ve aktif kontur sonucu
42
Elde edilen ikili görüntülerden konum bilgileri çıkarılmış ve bu koordinatlara göre gri
seviye görüntüler kırpılmıştır (Şekil 3.4.a, Şekil 3.5.a). Kırpma işlemi ile arka plan
görüntüsü büyük oranda azaltılmış ve beyin bölgesinin ortaya çıkması sağlanmıştır. Bu
sayede, sadece ilgili bölgenin histogramının değerlendirmeye alınması amaçlanmıştır.
Kırpılmış olan kontrast maddeli ve kontrast maddesiz T1 görüntülerin boyutlarını
eşitlemek için her iki görüntüye bikübik enterpolasyon yöntemi ile yeniden
boyutlandırma uygulanarak 256x256 boyutlarında gri seviye görüntüler elde edilmiştir
(Şekil 3.4.b, Şekil 3.5.b).
(a) (b)
Şekil 3.4 Kırpılmış kontrastsız T1 görüntü ve yeniden boyutlandırılmış görüntü
(a) (b)
Şekil 3.5 Kırpılmış kontrast maddeli T1 görüntü ve yeniden boyutlandırılmış görüntü
43
Elde edilen görüntülerin histogram analizleri yapılmış ve farklarının grafiği
oluşturulmuştur. Bu grafiğe göre farkın en yüksek olduğu yoğunluk değeri, eşik değeri
olarak belirlenmiştir. Şekil 3.6.a’da kontrastsız T1 görüntüsüne ait histogram grafiği,
şekil 3.6.b’de kontrast maddeli T1 görüntüsüne ait histogram grafiği, şekil 3.6.c’de ise
histogram fark grafiği yer almaktadır.
Şekil 3.6 T1 ve kontrast maddeli T1 görüntülerinin histogram farklarından eşik değeri
bulunması
3.2.2 Kafatası yok etme
Kafatası ve/veya göz bölgesinin tümörlü bölge ile aynı yoğunluk aralığına sahip olması
tümör bölütlemede hata oranını artırmaktadır.
44
T1 ağırlıklı görüntülerde kafatası ve göz çukurları yüksek yoğunluk değerlerine
sahipken, tümörlü bölgeler düşük yoğunluk değerlerine sahiptir. Bu nedenle T1 ağırlıklı
görüntü kullanılarak kafatası yok etme maskesi oluşturulmuştur. T1C ve FLAIR
görüntüler ile maskeleme işlemi yapılarak istenmeyen bölgeler yok edilmiştir.
Kafatası yok etme algoritması akış şeması şekil 3.7’de gösterilmektedir.
Şekil 3.7 Kafatası yok etme algoritması akış şeması
Öncelikle kontrastsız T1 görüntüye, otomatik eşik değeri ile eşikleme uygulanmıştır
(Şekil 3.8). Eşikleme sonucu oluşan ikili görüntünün bileşenleri sadece kafatası ve göz
kısımlarını içeren bileşenlerden oluşmaktadır. Bu görüntü FLAIR ve kontrast maddeli
T1 görüntülere maske olarak uygulanmış ve sonucunda kafatası ve göz kısımları yok
edilmiş görüntüler elde edilmiştir (Şekil 3.9- 3.10).
45
(a) (b)
Şekil 3.8 Kontrastsız T1 görüntü ve eşikleme işlemi sonucu
(a) (b)
Şekil 3.9 Kontrast maddeli T1 görüntü ve kafatası yok etme işlemi sonucu
(a) (b)
Şekil 3.10 FLAIR görüntü ve kafatası yok etme işlemi sonucu
46
3.2.3 Simetri analizi
Simetri analizi, beynin sağ ve sol olmak üzere iki eşit yarım küreden oluştuğu varsayımı
üzerine geliştirilmiş bir yöntemdir. Simetri analizinde, MR kesitinin ortasında dikey bir
simetri ekseni olduğu varsayılır, bu eksene göre sağlıklı bir insanın beyni simetriktir
(Şekil 3.11). Bu yöntem ile MR kesitlerinde tümör olup olmadığı tespit edilmektedir.
Şekil 3.11 Sağlıklı bir insana ait beyin MR kesiti
Simetri analizi FLAIR görüntülere uygulanmakta ve uygulanan kesitin simetrik olup
olmadığı incelenmektedir. Simetri analizi algoritması akış şeması şekil 3.12’de
gösterilmektedir.
47
Şekil 3.12 Simetri analizi algoritması akış şeması
FLAIR görüntünün simetrik olmaması ödemin var olduğunu, dolayısıyla aynı kesite ait
kontrastlı T1 görüntüde tümör olma ihtimalinin olduğunu göstermektedir. Bu
algoritmada görüntü sağ ve sol olmak üzere iki eşit parçaya ayrılmaktadır. Bu iki parça
kullanılarak ortalama değer, varyans, alan ve Bhattacharya katsayıları (BC)
hesaplanmıştır. Bu değerlerden yararlanılarak görüntünün simetrik olup olmadığına
karar verilmektedir.
Sağ ve sol görüntülerin ortalama değer farkı, varyans farkı ve Bhattacharya katsayısını
bulmak için kafatası çıkarımı yapılmış gri seviye FLAIR görüntü kullanılmıştır (Şekil
3.13). Alan farkını bulmak için ise, bulanık c-ortalama kümeleme uygulanmış ikili
FLAIR görüntü kullanılmıştır (Şekil 3.14).
48
(a) (b)
Şekil 3.13 Kafatası çıkarımı yapılmış FLAIR görüntünün iki eşit parçaya ayrılması
(a) (b)
Şekil 3.14 Bulanık kümeleme uygulanmış FLAIR görüntünün iki eşit parçaya ayrılması
Ortalama değer, varyans, alan ve Bhattacharya katsayıları, 400 adet MR kesiti üzerinde
yapılan deneyler sonucunda bulunmuştur. Asimetrik kesitlerin ayrı ayrı alan farkı,
varyans farkı, ortalama değer farkı ve asimetrileri hesaplanmıştır. Hesaplanan asimetri
değerlerinin ortalaması alınmıştır. Alan farkı, varyans farkı ve ortalama değer farkıları
ise önce normalize edilmiş, daha sonra ortalamaları alınmıştır. Bunun sonucunda MR
görüntülerinin simetrik olup olmadığını belirleyen TAlan, TOrtalama, TVaryans ve TAsimetri
değerleri belirlenmiştir. Alanlar farkının TAlan, ortalama değerler farkının TOrtalama,
49
varyanslar farkının TVaryans ve asimetrinin TAsimetri değerinden büyük olduğu durumlarda;
incelenen kesitin asimetrik olduğuna karar verilmiştir.
Bu değerler denklem 3.1, 3.2, 3.3 ve 3.4 ile hesaplanmaktadır. Bu denklemlerde yer alan
N, test için kullanılan kesitlerin sayısını belirtmekte, j ise kesit numarasını temsil
etmektedir.
𝑇𝐴𝑙𝑎𝑛 =
∑ (|𝐴𝑠𝑜𝑙𝑗
−𝐴𝑠𝑎ğ𝑗|
𝑚𝑗 𝑥 𝑛𝑗)𝑁
𝑗=1
𝑁 (3.1)
𝑇𝑂𝑟𝑡𝑎𝑙𝑎𝑚𝑎 =
∑ (|𝜇𝑠𝑜𝑙𝑗
−𝜇𝑠𝑎ğ𝑗|
𝜇𝐺𝑗 )𝑁
𝑗=1
𝑁 (3.2)
𝑇𝑉𝑎𝑟𝑦𝑎𝑛𝑠 =
∑ (|𝜎2
𝑠𝑜𝑙𝑗−𝜎2
𝑠𝑎ğ𝑗|
𝜎2𝐺𝑗
)𝑁𝑗=1
𝑁 (3.3)
𝑇𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖 = ∑ (1−𝐵𝐶𝑗)𝑁
𝑗=1
𝑁 (3.4)
Denklem 3.1’deki 𝐴𝑠𝑜𝑙 , görüntünün sol kısmındaki alanı; 𝐴𝑠𝑎ğ ise sağ kısmındaki alanı
temsil etmektedir. Alanlar, toplam piksel sayısından hesaplanmaktadır. m ve n ise
görüntünün satır ve sütun sayılarını temsil etmektedir.
Denklem 3.2’deki 𝜇𝑠𝑜𝑙 ve 𝜇𝑠𝑜𝑙, sırasıyla sol ve sağ görüntüdeki ortalamaları temsil
etmektedir. 𝜇𝐺 ise görüntünün tamamının ortalama değerini temsil etmektedir. Ortalama
değer denklem 3.5’te bulunmaktadır. 𝑥𝑖, i. pikselin yoğunluk değerini, M ise piksel
sayısını temsil etmektedir.
50
𝜇 = 1
𝑀 ∑ 𝑥𝑖
𝑀𝑖=1 (3.5)
Denklem 3.3’deki 𝜎2𝑠𝑜𝑙 ve 𝜎2
𝑠𝑎ğ, sırasıyla sol ve sağ görüntüdeki varyansları temsil
etmektedir. 𝜎2𝐺 ise görüntünün tamamının varyans değerini ifade etmektedir. Varyans
denklem 3.6 ile hesaplanmaktadır. 𝑥𝑖, i. pikselin yoğunluk değerini, M piksel sayısını
temsil ederken 𝜇 ile ortalama değeri temsil edilmektedir.
𝑉𝑎𝑟𝑦𝑎𝑛𝑠 (𝜎2) = ∑ (𝑥𝑖−𝜇)2𝑀
𝑖=1
𝑀−1 (3.6)
Denklem 3.4’deki BC, Bhattacharya katsayısını temsil etmektedir. BC, denklem 3.7 ile
hesaplanmaktadır. Bu denklemde yer alan 𝑝(𝑖) ve 𝑞(𝑖) parametreleri sağ ve sol
görüntüdeki normalize edilmiş histogram değerlerini, N ise bir pikselin alabileceği en
yüksek yoğunluk değerini göstermektedir. Normalize edilmiş histogram, her bir
histogram değerinin, tüm değerlerin toplamına bölünmesiyle elde edilmektedir.
𝐵𝐶(𝑝, 𝑞) = ∑ √𝑝(𝑖)𝑞(𝑖)𝑁𝑖=1 (3.7)
3.2.4 Ödem bölütleme
Algoritmanın bu kısmındaki amaç, FLAIR görüntüdeki ödemi bölütleyerek tümörlü
bölgeyi sınırlandıracak bir maske elde etmektir.Ödem Bölütleme algoritması akış
şeması şekil 3.15’te gösterilmektedir.
51
Şekil 3.15 Ödem bulma algoritması akış şeması
Bölütleme işlemi için ödemlerin net olarak gözüktüğü FLAIR görüntülere kafatası
çıkarımı uygulanmış ve daha sonra bulanık c-ortalama kümeleme yöntemiyle bölütleme
yapılmıştır (Şekil 3.16).
52
(a) (b)
Şekil 3.16 Kafatası çıkarımı yapılmış FLAIR görüntü ve bulanık kümeleme sonucu
Bulanık kümeleme sonucunda oluşan görüntüye bağlı bileşen etiketleme uygulanarak en
küçük alana sahip bileşen seçilmiştir (Şekil 3.17.a). Çünkü ödem içeren bölge , arka
plan ve gri maddeye göre daha az bir alan kaplamaktadır. Bağlı bileşen etiketleme
yöntemi, piksellerin 8 komşuluğu esas alınarak yapılmıştır.
Elde edilen ikili görüntüye alan açma işlemi uygulanarak ödem dışındaki gürültü
bileşenleri ve istenmeyen objeler elenmiştir ve ödem ortaya çıkarılmıştır (Şekil 3.17.b).
(a) (b)
Şekil 3.17 Alan açma işlemi ile ödemin elde edilmesi
53
3.2.5 Tümör bölütleme ve alan hesabı
Kontrast maddeli T1 görüntülerde tümörlü bölgenin net olarak gözükmesi, tümör
bölütleme algoritmasında bu görüntülerin kullanılmasının sebebidir. Tümör bölütleme
algoritması akış şeması şekil 3.18’de gösterilmektedir. Tümör bölütlemede, ödem
bölütleme algoritmasıyla elde edilen ikili görüntü maske olarak kullanılmış ve bu
sayede bölütleme uygulanacak alana bir sınırlama getirilmiştir.
Şekil 3.18 Tümör bölütleme algoritması akış şeması
54
Öncelikle kontrast maddeli T1 görüntüye otomatik olarak bulunan eşik değeriyle
eşikleme uygulanmıştır (Şekil 3.19.a). Kafatası çıkarım algoritmasıyla elde edilen
maske uygulanarak istenmeyen bileşenler yok edilmiştir ( Şekil 3.19.b).
(a) (b)
Şekil 3.19 Eşikleme uygulanmış kontrast maddeli T1 görüntüsü ve kafatası çıkarımı
yapılmış görüntü
Daha sonra ödem içeren maske uygulanmıştır (Şekil 3.20.a). Morfolojik yayma işlemi
uygulanarak bölütleme işlemi yapılacak alan genişletilmiştir (Şekil 3.20.b). Genişletme
işlemi, seçilen yapısal elemente göre görüntüdeki nesneyi büyütmeye yarayan bir
işlemdir (Gonzalez ve Woods 2010). Bu çalışmada morfolojik işlemlerde kullanılan
yapısal elemanın boyutuna, bir çok görüntü üzerinde yapılan deneyler sonucunda karar
verilmiştir. Genişletme işleminde yarıçapı 7 piksel olan, disk şeklinde bir yapısal
eleman kullanılmıştır.
(a) (b)
Şekil 3.20 Tümör olam ihtimali olan obje ve morfolojik yayma uygulanmış
görüntü
55
Elde edilen ikili görüntüyle gri seviye kontrast maddeli T1 görüntü maskelenmiş (Şekil
3.21.a) ve bulanık kümeleme uygulanarak tümör elde edilmiştir (Şekil 3.21.b).
(a) (b)
Şekil 3.21 Maskelenmiş görüntü ve bulanık kümeleme sonucu
Tümör bölütleme algoritması sonucunda elde edilen ikili görüntüdeki piksel sayısı ve
piksel başına düşen alandan yararlanılarak tümörün alanı hesaplanmıştır. Piksel başına
düşen alanın hesaplanması için DICOM dosyasında mevcut olan piksel boşluk bilgisi
kullanılmıştır. Piksel boşluğu, komşu iki pikselin merkezleri arasındaki mesafeyi ifade
etmektedir. Alan hesabı denklem 3.8’de verilmektedir.
𝑎𝑙𝑎𝑛 = 𝑝𝑖𝑘𝑠𝑒𝑙 𝑎𝑙𝑎𝑛𝚤 𝑥 𝑏𝑒𝑦𝑎𝑧 𝑝𝑖𝑘𝑠𝑒𝑙 𝑠𝑎𝑦𝚤𝑠𝚤 (3.8)
3.2.6 Hacim hesabı ve 3 boyutlu görüntüleme
Hacim hesabı, alan hesabı sonucundan yararlanılarak yapılmaktadır. Denklem (3.6)
kullanılarak tümörün hacmi mm3
cinsinden bulunmaktadır. Denklem 3.9’da yer alan N,
kesit sayısını belirtirken; 𝑎𝑙𝑎𝑛𝑖 parametresi ise i numaralı kesitteki tümörün alanını
temsil etmektedir.
𝐻𝑎𝑐𝑖𝑚 = ∑ 𝑎𝑙𝑎𝑛𝑖 𝑥 (𝑘𝑒𝑠𝑖𝑡 𝑘𝑎𝑙𝚤𝑛𝑙𝚤ğ𝚤 + 𝑘𝑒𝑠𝑖𝑡𝑙𝑒𝑟 𝑎𝑟𝑎𝑠𝚤 𝑏𝑜ş𝑙𝑢𝑘)𝑁𝑖=1 (3.9)
56
Çizelge 3.1’de gösterilen DICOM üst bilgisinden; pikseller arasındaki mesafe, kesit
kalınlığı ve kesitler arasındaki boşluk bilgilerine ulaşılmaktadır. Bu çalışmada
kullanılan MR görüntülerinde piksel boşluğu 0.938 mm, kesit kalınlığı 3 mm ve kesitler
arasındaki mesafa 3 mm’dir.
Tümörlü bölgenin 3 boyutlu gösterimi için Slicer 4.5 programı kullanılmıştır.
Bölütlenmiş kesitlerin orijinal kesitlere eklenmiş, böylece tümörlü bölge diğer
dokulardan belirgin bir şekilde ayrılmıştır. DICOM bilgisini kaybetmemek için png
veya jpeg uzantılı olarak elde edilen görüntüler tekrar dcm formatına çevrilmiştir. Elde
edilen DICOM formatındaki görüntüler Slicer programının girdilerini oluşturmaktadır.
Şekil 3.22’de Slicer programının girdileri görülürken, şekil 3.23’ te Slicer programının
çıktısı olan 3 boyutlu tümör görülmektedir.
57
Çizelge 3.1 DICOM üst bilgisi
58
Şekil 3.22 Tümörlerin bölütlenip orjinal görüntülere eklenmesi
59
(a)
(b)
Şekil 3.23 Bölütlenen tümörün 3 boyutlu gösterimi
60
(c)
(d)
Şekil 3.23 Bölütlenen tümörün 3 boyutlu gösterimi (devam)
61
(e)
(f)
Şekil 3.23 Bölütlenen tümörün 3 boyutlu gösterimi (devam)
62
(g)
(h)
Şekil 3.23 Bölütlenen tümörün 3 boyutlu gösterimi
63
4. ARAŞTIRMA BULGULARI
Bu çalışmada önerilen metod, 10 hastaya ait T1, T1C ve FLAIR ağırlıklı beyin MR
görüntülerinden oluşan bir veri setine uygulanmıştır. Bu veri seti 256x256
boyutlarındaki 500 görüntüden meydana gelmektedir. T1C görüntülerde tümörlü ve
tümörsüz kesitler, FLAIR görüntülerde ise ödemli ve ödemsiz kesitler mevcuttur.
Algoritma, MATLAB r2013a programında geliştirilmiştir. Algoritmanın kesit başına
düşen çalışma süresi 16.083 saniyedir.
Bu çalışmada kullanılan MR görüntüleri Kocaeli Gölcük Necati Çelik Hastanesinde
görev yapan Radyoloji Uzmanı Dr. Aslı Göktan tarafından kontürlenmiştir. Uzman
hekim tarafından yapılan kontürleme işleminin sonuçları altın standart olarak kabul
edilmiştir. Önerilen yöntem ile elde edilen tümör hacimleri, altın standart ile
karşılaştırılmıştır.
Bu çalışmadaki tümör tespit algoritmasının değerlendirme aşaması 2 kısımdan
oluşmaktadır.
Birinci kısımda; duyarlılık, seçicilik, kesinlik ve doğruluk kriterleri kullanılarak tümör
tespit algoritmasının sonuçları incelenmiştir. Denklem 4.1, 4.2, 4.3 ve 4.4 kullanılarak
elde edilen değerlendirme sonuçları Çizelge 4.1’de gösterilmektedir. Ayrıca,
literatürdeki mevcut çalışmalarla yapılmış olan başarı oranı kıyaslaması sonuçları
Çizelge 4.2’de verilmektedir.
İkinci kısımda ise hacim hesabı algoritması ile elde edilen sonuçların değerlendirmesi
yapılmıştır. Değerlendirme aşamasında; Jaccard katsayısı (örtüşme), duyarlılık, Dice
benzerlik katsayısı ve seçicilik olmak üzere 4 kriter kullanılmıştır. Bu kısımda
kullanılan değerlendirme kriterleri denklem 4.1, 4.2, 4.5 ve 4.6’ da verilmektedir.
Hacim hesabı algoritmasının altın standart ile karşılaştırılma tablosu çizelge 4.3’te,
literatür karşılaştırması sonuçları ise çizelge 4.4’te verilmektedir.
64
Şekil 4.1 Önerilen metod ve uzman bölütlemesi kesişim kümesi
DP : Doğru Pozitif
YN : Yanlış Negatif
YP : Yanlış Pozitif
DN : Doğru Negatif
Şekil 4.2 Değerlendirme kriterlerinde kullanılan değişkenler
𝐷𝑢𝑦𝑎𝑟𝑙𝚤𝑙𝚤𝑘 = 𝐷𝑃
𝐷𝑃+𝑌𝑁 (4.1)
𝑆𝑒ç𝑖𝑐𝑖𝑙𝑖𝑘 = 𝐷𝑁
𝐷𝑁+𝑌𝑃 (4.2)
𝐾𝑒𝑠𝑖𝑛𝑙𝑖𝑘 = 𝐷𝑃
𝐷𝑃+𝑌𝑃 (4.3)
𝐷𝑜ğ𝑟𝑢𝑙𝑢𝑘 = 𝐷𝑃+𝐷𝑁
𝐷𝑃+𝐷𝑁+𝑌𝑃+𝑌𝑁 (4.4)
𝐽𝑎𝑐𝑐𝑎𝑟𝑑 𝐾𝑎𝑡𝑠𝑎𝑦𝚤𝑠𝚤 = 𝐷𝑃
𝑌𝑃+𝐷𝑃+𝑌𝑁 (4.5)
𝐷𝑖𝑐𝑒 𝐵𝑒𝑛𝑧𝑒𝑟𝑙𝑖𝑘 𝐾𝑎𝑡𝑠𝑎𝑦𝚤𝑠𝚤 = 2 𝐷𝑃
2 𝐷𝑃+𝑌𝑃+𝑌𝑁 (4.6)
65
Çizelge 4.1 Tümör tespit algoritmasının değerlendirme tablosu
Hasta Duyarlılık Seçicilik
Kesinlik Doğruluk
1 0.94 1 1 0.98
2 0.8 1 1 0.96
3 1 1 1 1
4 1 1 1 1
5 1 1 1 1
6 0.95 1 1 0.98
7 1 1 1 1
8 1 1 1 1
9 1 1 1 1
10 1 1 1 1
Ortalama 0.97 1 1 0.99
Çizelge 4.2 Tümör tespit algoritmasının literatürdeki çalışmalarla kıyaslama tablosu
Algoritma MR
Görüntüleme
Yöntemi
Yaklaşım Duyarlılık
Seçicilik
Önerilen
Yöntem
T1, T1+c,
FLAIR
Simetri analizi, Bulanık
c-ortalama kümeleme
0.97 1
Abdel-
Maksoud vd.
2015
T1, T2, proton
yoğunluklu T1
Hibrit kümeleme metodu 0.96 0
Dvorak vd.
2013
T2 Simetri analizi, Destekli
Vektör Makinası (SVM-
Support Vector Machine)
0.87 0.93
Saha vd. 2012 T1+c, T2 Simetri analizi, Hızlı
Sınırlı Kutu Metodu
(FBB-Fast Bounding
Box), Ortalama Kaydırma
Kümeleme (MSC-Mean
Shift Clustering)
0.81 0.98
66
Çizelge 4.3 Hacim hesabı algoritmasının altın standart ile karşılaştırılma tablosu
Hasta Jaccard
Katsatsayısı
(Örtüşme)
Duyarlılık Dice
Benzerlik
Katsayısı
Seçicilik
1 0.82 0.86 0.88 1
2 0.66 0.68 0.73 1
3 0.86 0.92 0.93 1
4 0.70 0.70 0.79 1
5 0.94 0.98 0.97 1
6 0.85 0.88 0.92 1
7 0.96 0.999 0.98 1
8 0.97 0.99 0.99 1
9 0.97 0.99 0.94 1
10 0.93 0.94 0.96 1
Ortalama 0.92 0.94 0.93 1
67
Çizelge 4.4 Hacim hesabı algoritmasının literatürdeki çalışmalarla kıyaslama tablosu
Algoritma Jaccard
Katsatsayısı
(Örtüşme)
Duyarlılık Dice Benzerlik
Katsayısı
Seçicilik
Me 0.92
0.94 0.93 1
Khotanlou vd.
2009
- - 0.92 -
Fletcher vd.
2001
0.66 - - -
Prastawa vd.
2004
0.75 - - -
Hawaie vd.
2016
0.71 0.63 0.61
Corso vd. 2008 0.69
- - -
Nabizadeh
2015
- 77.2 - 0.81
Clark vd.1988 0.86
- - -
Dvorak
vd.2013
0.61 - - -
Hatari vd.
2011
-
0.88 0.9 -
Nie vd. 2011 0.72
- - -
Cobraz vd.
2007
0.46 - - -
Havaei vd.
2007
- 0.74 0.62 0.61
68
5. SONUÇ
Bu çalışmada teşhis ve tedavi aşamasında hekime yardımcı olabilecek, beyin MR
görüntülerinde tümör tespiti, bölütlemesi ve hacim hesabı yapan tam otomatik bir
algoritma geliştirilmiştir.
Geliştirilen algoritmada her bir MR kesitinde tümör olup olmadığı simetri analizi ile
bulunmaktadır. Simetri analizi beyinin sol ve sağ olmak üzere eşit iki yarım küreden
oluştuğu varsayımı üzerine geliştirilmiş bir yöntemdir. Beynin anatomik yapısından
kaynaklı simetri özelliği sayesinde, bu özelliği bozan anormal yapılar önerilen algoritma
sayesinde tespit edilebilmektedir. Tümör bulunan kesitlere C-ortalama kümeleme ve
otomatik eşikleme yöntemleri uygulanarak tümör bölütleme aşaması
tamamlanmaktadır. Bölütlenen kesitlerde alan hesabı yapılmakta ve bu alanlardan
yararlanılarak tümör hacmi hesaplanmaktadır.
2 Boyutlu MR görüntüleri bir araya getirilerek, her hastanın kafa görüntüleri 3 boyutlu
hale getirilmiştir. Bu sayede, bölütlenmiş tümörler 3 boyutlu olarak
incelenebilmektedir. Hekim tarafından elle yapılan konturlama işleminin sonuçları altın
standart olarak kabul edilmiştir. Yürütülen tez çalışmasındaki algoritmayla elde edilen
tümör hacimleri, altın standart ile karşılaştırılmıştır.
- Beyin MR kesitlerinde tümör olup olmadığını tespit eden yöntemin, literatürdeki
çalışmalara göre daha yüksek düzeyde doğruluk oranına sahip olduğu,
- Çok sayıdaki görüntüye uzun süre bakmanın getireceği dikkat dağınıklığına ve
zaman kaybına bir çözüm sunduğu,
- Eğitim setlerine ve kullanıcı müdahalesine gerek duyulmadığı,
- Algoritmanın şekil ve büyüklük ayırt etmeksizin bütün beyin tümörü çeşitlerine
uygulanabildiği,
- Hacim hesabının tam otomatik olarak gerçekleştirildiği ve 3 boyutlu hale
getirilebildiği görülmüş ve sonuç olarak önerilen algoritmanın beyin tümörü
teşhisinde ve tedavi planlamasında kullanılabileceği değerlendirilmiştir.
69
KAYNAKLAR
Abdel-Maksoud, E., Elmogy, M. and Al-Awadi, R. 2015. Brain tumor segmentation
based on a hybrid clustering technique. Egyptian Informatics Journal, 16(1), 71-
81.
Anonymous. 2005. Web Sitesi: https://radiopaedia.org/articles/meniscal-tear. Erişim
Tarihi: 27.12.2016.
Anonymous. 2008. Web Sitesi: https://www.imaios.com/en/e-Courses/e-MRI/MRI-
signal-contrast/Spin-echo-TR-TE#. Erişim Tarihi: 29.12.2016.
Anonymous. 2014. Web Sitesi: http://www.cancerimagingarchive.net/. Erişim Tarihi:
01.08.2016.
Anonymous. 2016a. Web Sitesi: http://www.neurosurgery.pitt.edu/centers-
excellence/neurosurgical-oncology/brain-and-brain-tumors/types-brain-tumors.
Erişim Tarihi: 10.08.2016.
Anonymous. 2016b. Web Sitesi: http://www.mayfieldclinic.com/PE-BrainTumor.
Erişim Tarihi: 10.08.2016.
Anonymous. 2016c. Web Sitesi:
http://www.hopkinsmedicine.org/neurology_neurosurgery/centers_clinics/brain_
tumor/about-brain-tumors/. Erişim Tarihi: 15.08.2016.
Anonymous. 2016d. Web Sitesi: http://www.cancerresearchuk.org/about-
cancer/type/brain-tumour/about/types-of-primary-brain-tumours. Erişim Tarihi:
15.08.2016.
Anonymous. 2016e. Web Sitesi: http://www.cancer.ca/en/cancer-information/cancer-
101/what-is-cancer/cancer-cell-development/?region=on. Erişim Tarihi:
27.12.2016.
Anonymous. 2016f. Web Sitesi:
http://www.cancer.org/cancer/cancerinchildren/detailedguide/cancer-in-children-
differences-adults-children. Erişim Tarihi: 27.12.2016.
Anonymous. 2016g. Web Sitesi: https://radiology.ucsf.edu/patient-care/services/pet-
mri. Erişim Tarihi: 28.12.2016.
Anonymous. 2016h. Web Sitesi: https://tr.wikipedia.org/wiki/Manyetik_rezonans_
görüntüleme. Erişim Tarihi: 29.12.2016.
Atlas, S. W. 2009. Magnetic Resonance Imaging of the Brain and Spine. Lippincott
Williams and Wilkins yayınevi, Tokyo.
70
Balafar, M., Ramli, A., Saripan, M. and Mashohor, S. 2010. Review of brain MRI
image segmentation methods. Artificial Intelligence Review, 33(3), 261–274.
Behin, A., Hoang-Xuan, K., Carpentier, A. and Delattre, J. 2003. Primary brain tumours
in adults. The Lancent, 361(9354), 323-331.
Bitar, R., Leung, G., Perng, R., Tadros, S., Moody, A. R., Sarrazin, J., McGregor, C.,
Christakis, M., Symons, S., Nelson, A. and Roberts, T. P. 2006. MR Pulse
Sequences: What Every Radiologist Wants to Know but Is Afraid to Ask.
RadioGraphics, 26(2), 513-537.
Brown, W. A. and Semelka, R. C. 2003. MRI Basic Principles and Applications. John
Wiley & Sons, New Jersey.
Carson, C., Greenspan, H. and Malik, J. 1998. Color- and texture-based image
segmentation using EM and its application to content-based image retrieval.
Sixth International Conference on Computer Vision (ICCV '98 ). IEEE. 4-7
Ocak. 675- 682, Bombay, India.
Cha, S. 2006. Update on Brain Tumor Imaging: From Anatomy to Physiology.
American Journal of Neuroradiology, 27(3), 475-487.
Chan, T. F. and Vese L. A. 2001. Active Contours Without Edges. IEEE, 10(2), 266-
277.
Chen, M., King, N., Selvarajan, S. and Low, D. 2014. Chen, M.W., King, N.Benign
scalp lump as an unusual presentation of extranodal Rosai-Dorfman disease.
Surgical Neurology International, 5(1), 99.
Chuang, K., Tzeng, H., Chen, S., Wu, J. and Chen, T. 2006. Fuzzy c-means clustering
with spatial information for image segmentation. Computerized Medical
Imaging and Graphics, 30(1), 9-15.
Drevelegas A. 2011. Imaging of Brain Tumors with Histological Correlations. Springer,
432, New York.
Dvorak, P., Kropatsch, W. and Bartušek, K. 2013. Automatic Brain Tumor Detection in
T2-weighted Magnetic Resonance Images. Measurement Science Review, 13(5),
223-230.
Edelman, R. R. and Warach, S. 1993. Magnetic Resonance Imaging. The New England
Journal of Medicine, (328), 708-716.
Filippi, M., Stefano, N. and Dousset, V. 2005. MR Imaging in White Matter Diseases of
the Brain and Spinal Cord, Springer yayınevi, 478, New York Gallagher, T. A.,
Nemeth, A. J. and Hacein-Bey, L. (2008). An Introduction to the Fourier
Transform: Relationship to MRI. American Journal of Roentgenology, 190(5),
1396-1405.
71
Gonzalez, R.C. and Woods R.E. 2010. Digital Image Processing. Pearson. 976. USA.
Hajnal, J.V., Bryant, D.J., Kasuboski, L., Pattany, P.M., Coene, B.D., Lewis, P.D.,
Pennock, J.M., Oatridge, A., Young, I.R. and Bydder, G.M. 1992. Use of Fluid
Attenuated Inversion Recovery (FLAIR) Pulse Sequences in MRI of the Brain.
Journal of Computer, 16(6), 841-844.
Jenkinson, M., Plessis, D., Smith, T., Joyce, K., Warnke, P. and Walker, C. 2006.
Histological growth patterns and genotype in oligodendroglial tumours:
correlation with MRI features. Brain, 129(7), 1884-1891.
Kaganami, H. and Beiji, Z. 2009. Region-Based Segmentation versus Edge Detection.
Fifth International Conference on Intelligent Information Hiding and
Multimedia Signal Processing, (IIH-MSP '09). IEEE Computer Society. 12-14
Eylül. 1217 – 1221, Kyoto, Japan.
Karlp, G. 2009. Cell and Molecular Biology: Concepts and Experiments. John Wiley &
Sons, USA.
Kass, M., Witkin, A. and Terzopoulos, D. 1988. Snakes: active contour models.
International Journal of Computer Vision, 321-331.
Khotanlou, H., Colliot, O. and Bloch, I. 2007. Automatic Brain Tumor Segmentation
Using Symmetry Analysis and Deformable Models. International Conference on
Advances in Pattern Recognition (ICAPR-6), 2-4 Haziran, 198-202, India.
Khotanlou, H., Colliot, O., Atif, J. and Bloch, I. 2009. 3D Brain Tumor Segmentation in
MRI Using Fuzzy Classification, Symmetry Analysis and Spatially Constrained
Deformable Models. Fuzzy Sets and Systems. 160(10), 1457-1473.
Koeller, K. and Rushing, E. 2005. Oligodendroglioma and Its Variants: Radiologic-
Pathologic Correlation. Radio Graphics, 25(6), 1669-1688.
Mermuys, K., Jeuris, W., Vanhoenacker, P., Hoe, L. and D’Haenens, P. 2005.
Supratentorial Ependymoma. Radio Graphics, 25(2), 486-490.
Moftah, H.M., Hassanien, A.E. and Shoman, M. 2010. 3D brain tumor segmentation
scheme using K-mean clustering and connected component labeling algorithms.
10th International Conference on Intelligent Systems Design and Applications
(ISDA). IEEE. 29 Kasım – 1 Aralık. 320-324. Cairo, Egypt.
Norouzi, A., Rahim, M., Altameem, A., Saba, T., Rad, A., Rehman, A. and Uddin, M.
2014. Medical Image Segmentation Methods, Algorithms and Applications.
IETE Technical Review, 31(3), 199-213.
Ogretmenoglu, C., Erogul, O. and Telatar, Z. 2016. MR image segmentation and
symmetry analysis for detection of brain tumors. Journal of Biotechnology, 231,
9.
72
Ogretmenoglu, C., Erogul, O., Telatar, Z., Guler, R. and Yildirim, F. 2015. Brain tumor
detection and volume estimation via MR imaging. Journal of Biotechnology,
208, 15.
Pham, D., Xu, C. and Prince, J. 2000. Current Methods in Medical Image Segmentation.
Annual Review of Biomedical Engineering, 2, 315-337.
Rabhi, S., Maaroufi, M., Khibri, H. and Bono, W. 2011). Magnetic resonance imaging
findings within the posterior and lateral columns of the spinal cord extended
from the medulla oblongata to the thoracic spine in a woman with subacute
combined degeneration without hematologic disorders. Journal of Medical Case
Reports, 5(1), 166-170.
Ray, N., Greiner, R. and Murtha, A. 2008. Using Symmetry to Detect Abnormalies in
Brain MRI. Computer Society of India Communications, 31(19).
Ray, N., Saha, N. and Brown, M. 2007. Locating Brain Tumors from MR Imagery
Using Symmetry. Conference Record of the Forty-First Asilomar Conference on
Signals, Systems and Computers (ACSSC 2007), 4-7 Kasım, IEEE, 224 – 228,
Pacific Grove, California.
Rosenberg, R. 2003. Atlas of Clinical Neurology. Springer, 565, New York.
Runge, V. 1997. Contrast-Enhanced Clinical Magnetic Resonance Imaging, University
Press of Kentucky, 192, Kentucky.
Saha, N., Ray, N., Greiner, R., Murtha, A. and Zhang, H. 2012. Quick detection of brain
tumors and edemas: A bounding box method using symmetry. Computerized
Medical Imaging and Graphics, 36(2), 95-107.
Scott, W. 2009. Magnetic Resonance Imaging of the Brain and Spine, Lippincott
Williams and Wilkins yayınevi, 1917, Philadephia.
Smith, A., Horkanyne-Szakaly, I., Schroeder, J. and Rushing, E. 2014. From the
Radiologic Pathology Archives: Mass Lesions of the Dura: Beyond
Meningioma-Radiologic-Pathologic Correlation. (34, Dü.) RadioGraphics, 295-
312.
Stensjoen, A. L., Solheim, O., Kvistad, K. A., Haberg, A. K., Salvesen, O. and
Berntsen, E. 2015. Growth dynamics of untreated glioblastomas in vivo. Neuro
Oncology, 17(10), 1402–1411.
Taylor, W., Chi, S. and Cahill, P. 2013. Tailored Therapy in Diffuse Gliomas: Using
Molecular Classifiers to Optimize Clinical Management. Oncology Journal,
27(6), 504-514.
Wang, J., Qiang, L., Toshinori, H., Shigehiko, K., Feng, L. and Kunio, D. 2008. An
accurate segmentation method for volumetry of brain tumor in 3D MRI.
73
International Society for Optics and Photonics Medical Imaging, 69144D-
69144D.
Yamashita, T. and Kuwabara, T. 1983. Estimation of rate of growth of malignant brain
tumors by computer tomography scanning. Surgical Neurology, 20(6), 464-470.
Yones, S. and Moussa, A. 2012. A Fuzzy Tumor Volume Estimation Approach Based
on Fuzzy Segmentation of MR Images. Bioengineering and Pharmaceutical
Engineering, 6(11), 534-539.
Yoo, H., Nam, B., Yang, H., Shin, S. H., Lee, J. S. and Lee., S. H. 2008. Growth Rates
of Metastatic Brain Tumors in Nonsmall Cell Lung Cancer. Cancer, 113(5),
1043-1047.
74
ÖZGEÇMİŞ
Adı Soyadı : Cansel ÖĞRETMENOĞLU FIÇICI
Doğum Yeri : Eskişehir
Doğum Tarihi : 03.08.1991
Medeni Durumu : Evli
Yabancı Dili : İngilizce
Eğitim Durumu (Kurum ve Yıl)
Lise : Eskişehir Anadolu Lisesi (2005 - 2009)
Lisans : Anadolu Üniversitesi Elektrik Elektronik Mühendisliği Bölümü (Eylül
2009 - Haziran 2014)
Yüksek Lisans : Ankara Üniversitesi Elektrik Elektronik Mühendisliği Anabilim Dalı
(Eylül 2014 - Ocak 2017)
Çalıştığı Kurum/Kurumlar ve Yıl
Ankara Üniversitesi (Ocak 2015 - )
Yayınlar (SCI)
Ogretmenoglu, C., Erogul, O., Telatar, Z., Guler, R.E. ve Yildirim, F. 2015. Brain
tumor detection and volume estimation via MR imaging. Journal of Biotechnology. 208,
S15.
Ogretmenoglu, C., Erogul, O. ve Telatar, Z. 2016. MR image segmentation and
symmetry analysis for detection of brain tumors. Journal of Biotechnology. 231, S9.