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.