Kemik metastazlarının görüntü işleme ve yapay sinir ağları yöntemleri ile tespiti

Abstract

Dünyada yapılan istatistikler, kanser ve kansere bağlı ölüm vakalarının 20 yıl içerisinde ciddi oranlarda artacağını göstermektedir. Birçok kanser türü için erken teşhis; daha kolay bir tedavi ve daha yüksek bir başarı ihtimali anlamına gelmektedir. Hekimler/Radyologlar görüntüleme yöntemleri ile elde edilen görüntüleri yorumlayarak erken dönemde kanser vakalarını teşhis etmeye çalışmaktalar. Ancak, artan kanser vakalarına kıyasla hekimlerin sayısı ülkemizde olduğu gibi tüm dünya genelinde sınırlı kalmaktadır. Bu da beraberinde hekimler için artan bir iş yükü demektir. İncelenecek vaka sayısının artması da beraberinde hatalı teşhis oranlarının artmasına yol açabilmektedir. Son yıllarda, bu gibi dezavantajları giderebilecek Bilgisayar Destekli Tespit (BDT) yöntemleri giderek önemli olmaya başlamıştır. Radyolojik görüntüler üzerinde şüpheli durumları daha belirgin hale getirerek hekimleri uyaran ve otomatik hastalık teşhisi yapan destek karar sistemleri hekimlerin hem hata oranlarını düşürmekte hem de daha az eforla teşhis gerçekleştirmelerine katkıda bulunmaktadır. Bu tez çalışmasında, iskelet sistemi metastazlarının kemik sintigrafisi görüntülerinde otomatik olarak tespitine imkan sağlayan bir BDT sistemi geliştirilmiştir. Önerilen BDT sistemi, sintigrafi görüntülerini giriş olarak almakta ve bu görüntüler üzerindeki artan tutulum alanlarını işaretleyerek metastaz olup olmadığına karar vermektedir. Görüntülerdeki tutulumların hepsi kanser veya metastaz anlamına gelmemektedir. Mesane, dizler, dirsekler ve kafatasının bazı bölgelerinde kanser olmadığı halde artan tutulumlar gibi gözükmektedir. Bu sebeple, önerilen yöntem bu gibi durumlar ile gerçek tutulumları doğru bir şekilde ayırabilmek için görüntü işleme ve örüntü tanıma tekniklerinden faydalanmaktadır. Öncelikle, alınan sintigrafi resimleri ön-işlem aşamalarından geçirilerek tutulum alanları daha belirgin hale getirilmekte daha sonra ise tutulum alanlarını tespit etmek için bölütleme yöntemi kullanılmaktadır. Çalışmada hangi bölütleme yönteminin kemik sintigrafilerinde artan tutulumları daha etkili bir şekilde bölütleyebileceğini araştırmak için çeşitli deneyler gerçekleştirilmiştir. 706 adet görüntü üzerinde yapılan detaylı deneylere göre seçilen Level Set Active Contour (LSAC), Self Organizing Maps (SOM) ve Fuzzy C-Means yöntemlerinden en başarılı bölütleme yönteminin LSAC olduğu tespit edilmiştir. Bunun yanında, bölütlenmiş sintigrafi görüntülerinden özellik çıkarımını gerçekleştirmek için basit olmasına karşın etkili bir özellik çıkarım yöntemi olan Görüntü Izgaralama yöntemi önerilmiştir. Yapay Sinir Ağları (YSA) kullanılarak yapılan metastaz ayırımında %92.3 doğruluk oranı, %94 duyarlılık oranı, %86,67 özgüllük oranı tespit edilebilmiştir. Böylece hekimlerin karar verme sürecine destek olacak bir ek araç geliştirilmiştir

The statistics show that cancer and cancer-related deaths will increase significantly over the next 20 years. Early detection means easier treatment and higher probability of success for many types of cancer. Physicians/radiologists are trying to diagnose cancers early by using images obtained by imaging methods. However, the number of physicians are limited compared to the increasing cases of cancer all over the world. This also means an increased workload for physicians. Rapid growth of cancer cases to be examined can lead to an increased rate of false diagnoses. In recent years, Computer Aided Detection (CAD) methods are becoming of importance to resolve such disadvantages. Decision support systems which diagnose disease automatically and warn physicians for suspicious cases in the radiological images reduce the error rates of doctors and are beneficial with regards to using less effort to diagnose. In this study, a CAD system is developed to allow the automatic diagnosis of skeletal metastasis for bone scintigraphy images. The proposed CAD system takes the scintigraphic images as input and provides a decision about suspicious areas by marking hot spots on these images. All of the hot spots found in the images do not mean cancer or metastasis. Although bladder, knees, elbows and even the some part of the skull do not have metastasis, hot spots can be seen in these parts of the body. The proposed method takes advantage of image processing and pattern recognition techniques to separate metastasis correctly. Pre-processing methods is used primarily to highlight the hot spots and then, segmentation method is performed for detection of hot spots. Various experiments were conducted to investigate the best segmentation method. LSAC was found the most successful segmentation method. Detailed experiments have been made on 706 images using Level Set Active Contour (LSAC), Self-Organizing Maps (SOM) and Fuzzy C-Means methods . Furthermore, easy but effective feature extraction method, Image Gridding, is proposed for the segmented scintigraphy images. Artificial Neural Networks (ANN) is used for classification of metastatic disease. The CAD system detected 92.3% accuracy, 94% sensitivity, 86.67% specificity. Thus, an additional tool has been developed to support the decision making process of physicians.