Görüntü İşleme ile Kemik Yaşı Tespitinde Ön Aşamalar

Kemik yaşı tespiti

Günümüzde yapay zekâ alanında sağlık çalışmaları hız kesmeden devam etmektedir. Artık her alanda sağlık personellerinin en büyük yardımcıları yapay zekâ, algoritmalar, sağlık alanında çalışan robot bilimidir.

Büyüme çağında genetik ve büyüme bozukluklarından kaynaklanan boy ve büyüme bozukluğu problemi yaşayan bir çocuğa daha önce denk gelmişsinizdir.

Bu bireylerdeki boy kısalığının ve büyüme bozukluğunun kontrol edilebilmesi için öncelikle muayene sırasında el bileği röntgen filmi tetkikleri istenmektedir.

Peki sizce bu röntgen filminden doktorlar ne elde etmektedir 👨‍⚕️ ?

Bu MRI görüntülerde yer alan el bileğindeki kemiklerden kemik yaşı olarak adlandırılan iskelet olgunlaşma derecesi hesaplanmaktadır.

İnsanın doğduğu günden bu yana olarak hesaplanan doğum yaşı ile kemik yaşının ne farkı olabilir ki dediğinizi duyar gibiyim 🗓️. Bir bireyin doğduğu tarihten itibaren hesaplanan yaşı takvim yaşı olarak geçmektedir.

Kemik yaşı ise hormonların ve beslenme etkisi ile oluşarak genellikle sol el bilek röntgeninden hesaplanmaktadır 🦴.

[gdlr_core_space height=”30px”]

page1image62264576

 

Şekil 1. Özellikleri Çıkartılmış El-bilek Kemiği ve Isı Haritası

[gdlr_core_space height=”30px”]

İskelet (kemik) yaşı ile kronolojik takvim yaşı arasındaki büyük uyumsuzluk, obezite olan veya erken ergenliğe başlayan çocuklarda meydana gelmektedir.

Dilerseniz sizlerle birlikte insan bileği üzerinde yer alan karpal kemikleri inceleyelim ve kemik yaşının ne olduğunu öğrenelim.

Kemik Yaşı Nedir ?

Kemiklerin olgunlaşma derecesi kemik yaşı olarak ifade edilmektedir. Kemik olgunlaşması normal olan bir çocukta kemik yaşı, kronolojik yaşına eşit olmalıdır. Fakat bazen kemik yaşı ile kronolojik yaş arasında bazı sapmalar görülmesi normal karşılanmaktadır.

El Bileği Karpal Kemikleri

Tıp dilinde Ossa Carpi olarak geçen el bileği kemikleri, 2 adet ön kol kemiği (radius ve ulna), 8 adet bilek kemiği (karpallar), 5 adet tarak kemiği (metakarpallar) ve 14 adet parmak kemiği olmak üzere 29 kemikten oluşur. Kemik yaşı tespitinde kullanılması için el bilek kemiği olarak geçen karpal kemikler ile ilgileneceğiz. Gelin bu kemikleri daha yakından tanıyalım 🔍.

[gdlr_core_space height=”30px”]

page2image45134848

 

Şekil 2. Karpal Kemiklerin Anatomik Yapısı

(1) Kapitat (capitate) 🦴
(2) Hamat (hamate) 🦴
(3) Triquetra (triquetra) 🦴
(4) Lunate (lunate) 🦴
(5) Trapezyum (trapezium) 🦴
(6) Yamuk (trapezoid) 🦴
(7) Naviküler / Skafoid 🦴
(8) Pisiform (pisiform) 🦴

[gdlr_core_space height=”30px”]

Şekil 2’de anatomik açıdan ele alınan el bileğinde bulunan karpal kemiklerin analiz edileceği röntgen görüntülerine aşağıda yer verilmektedir.

[gdlr_core_space height=”30px”]

page2image45134640

 

Şekil 3. Örnek El-Bilek MRI Görüntüsü

page2image45135056

 

Şekil 4. Örnek El-Bilek MRI Görüntüsü

[gdlr_core_space height=”30px”]

0-6 yaş arası çocuklarda, röntgen görüntüleri incelenirken en önemli kriter epifiz bölgesinde bulunan sekonder kemikleşme merkezleri ve bilek kemiklerinin sayısı ve boyutudur.

[gdlr_core_space height=”30px”]

page3image45266960

 

Şekil 5. Kemikte Yer Alan Epifiz ve Diafiz Bölge Gösterimi

[gdlr_core_space height=”30px”]

Şekil 5’ te görüldüğü üzere uzun kemiğin yapısal analizi gerçekleştirildiğinde Epifiz uzun kemikte bulunan her iki uçtan biri sayılmaktadır. Şekil 5’ te görüldüğü gibi uzun kemiğin orta bölümüdür ve Epifiz ile Diafiz arasında kalan bölgede Metafiz bulunmaktadır.

 Metafiz, sekonder kemikleşme merkezinin yer aldığı alandır. Bu bölgelerden çıkartılacak alanların birbirine olan oranları ile insan yaşının tespiti gerçekleştirilebilmektedir.

Bu yazıda sizlere görüntü işlemenin ön aşamalarından olan farklı filtrelerin nasıl çalıştığını göstermekteyim. Programlama platformu olarak MATLAB seçilmiştir.

GUI platformunda görüntünün kolayca seçilerek filtrelerin uygulanması sağlanmıştır. Şekil 6’ da görüldüğü üzere GUI platformunda gerçekleştirilen arayüzde kullanıcı görüntüyü seçip üzerinde farklı filtreleri çalıştırabilmektedir 📟.

[gdlr_core_space height=”30px”]

page3image45283344

 

Şekil 6. Görüntü Önişleme Aşamalarının Yer Aldığı Örnek GUI Görüntüsü

[gdlr_core_space height=”30px”]

Arka Plan Çıkarımının Uygulanması

Arka plan çıkarma işlemi görüntü işleme uygulamalarında genellikle sabit bir zemin üzerindeki hareketli nesneleri yakalamak ve takip etmek için sıklıkla kullanılan bir yöntemdir. Kullanılan görüntülerdeki istenmeyen radyolojik işaretlerin kaldırılması arka plan çıkarılması yöntemi ile mümkün olmaktadır. Belirlenen yapısal eleman kullanılarak arka planda çıkarım işlemi yapılmaktadır.

Yapısal Eleman (Structure Element) Seçimi

[gdlr_core_space height=”30px”]

page4image45092928

 

Şekil 7. Arka Plan Çıkarımında Seçilen Yapısal Eleman

[gdlr_core_space height=”30px”]

Gerekli işlemler arka planda çalıştırıldığında seçilen görüntünün arka planının çıkarılmış haline aşağıda yer verilmiştir.

[gdlr_core_space height=”30px”]

page4image45093136

 

Şekil 8. Orijinal Görüntü

page4image45093344

 

Şekil 9. Arka Planı Çıkarılmış Görüntü

[gdlr_core_space height=”30px”]

Threshold Eşikleme Tespiti

Giriş olarak verilen görüntüyü ikili görüntüye çevirmek için kullanılan bir yöntemdir. İkili görüntü (binary), görüntünün siyah ve beyaz olarak tanımlanmasıdır. Amaç, gürültüyü azaltarak nesneyi belirlemektir.

İlk aşama olarak MRI görüntü üzerinde Threshold (Eşikleme) yapılmaktadır. Bu sayede renkli olmayan siyah-beyaz görüntülerde nesnenin tespiti rahatça algılanabilmektedir.

OpenCV’ nin threshold fonksiyonunda cv2.THRESH_BINARY threshold tipi ile görüntüde 127 – 255 değerlerinde eşikleme gerçekleştirilmektedir.

[gdlr_core_space height=”30px”]

page4image45093552

 

Şekil 10. Orijinal görüntü & Eşiklenmiş görüntü

[gdlr_core_space height=”30px”]

Kontrast İyileştirme

Görüntü iyileştirme teknikleri tek tek incelenerek en iyi sonuç veren kontrast iyileştirme yöntemi seçilmiştir.

Kontrast Germe

Kayıt ortamının veya görüntü cihazının tüm yeğinlik aralığını kapsayacak şekilde yeğinlik seviye aralığının genişletilmesi işlemidir.

[gdlr_core_space height=”30px”]

page5image45580704

 

Şekil 11. Kontrast İyileştirme Matlab Kodu

[gdlr_core_space height=”30px”]

imadjust yöntemi ile gri tonlamalı görüntüdeki yoğunluk değerlerin verilen yeni değerlerle eşleştirir.

[gdlr_core_space height=”30px”]

page5image45580912

 

Şekil 12. Imadjust Metodu Sonucu Görüntü Tonlaması

[gdlr_core_space height=”30px”]

histeq yöntemi ile histogram eşitleme özelliği kullanılarak kontrast arttırılır [8].

page5image45581120

 

Şekil 13. Histogram Eşitleme Matlab Kodu

page5image45581328

 

Şekil 14. Histogram Eşitleme Sonucu Görüntü Tonlaması

[gdlr_core_space height=”30px”]

adapthisteq yöntemi ile kontrast sınırlı olacak şekilde adaptif histogram eşitleme kullanılır.

page6image45595472

 

Şekil 16. Adaptif Histogram Eşitleme Sonucu Görüntü Tonlaması

[gdlr_core_space height=”30px”]

Tüm bu yöntemler sırası ile arka plan çıkarımından sonraki süreçte denendiğinde en iyi sonucu, bir sonraki filtre göz önünde bulundurularak adapthisteq yönteminin verdiği belirlenmiştir.

page6image45595680

 

Şekil 17. GUI ‘ de Elde Edilen Görüntü Sonucu

[gdlr_core_space height=”30px”]

Mean ve Median Filtrelerinin Uygulanması

Ortalama filtresi oluşturulan bir kernel yardımı ile oluşturulabilecek en basit filtredir. Her bir piksel için çevresindeki piksellerin ortalaması alınır.

page6image45596096

 

Şekil 18. Ortalama Filtre Alma Matlab Kodu

page6image45595888

 

Şekil 19. Ortalama Filtre Uygulanan Görüntü Sonucu

[gdlr_core_space height=”30px”]

Medyan filtresi, verilen komşuluk bölgesindeki değerler ortanca olan piksele atanır.

page7image45537168

 

Şekil 21. Medyan Filtresi Uygulanan Görüntü Sonucu

[gdlr_core_space height=”30px”]

Gaussian Filtresinin Uygulanması

Gauss filtresi, 2 boyutlu Gauss yumuşatma çekirdeği ile verilen sigma değerinde filtreler.

page7image45537792

 

Şekil 22. Gauss Filtresi Alma Matlab Kodu

page7image45537584

 

Şekil 23. Gauss Filtresi Uygulanan Görüntü Sonucu

[gdlr_core_space height=”30px”]

Laplas ve Sobel Filtrelerinin Uygulanması

Görüntü keskinleştirme için iki boyutlu Laplas operatörü 0.2 oranında filtre ile uygulanır.

[gdlr_core_space height=”30px”]

Görüntü keskinleştirme yöntemlerinden olan bir diğerinde ise görüntü üzerinde Sobel operatörü ile ayrıntıların daha çok ortaya çıkması sağlanmıştır.

page8image45519952

 

Şekil 26. Sobel Filtresi Alma Matlab Kodu

page8image45520160

 

Şekil 27. Sobel Filtresi Uygulanan Görüntü Sonucu

[gdlr_core_space height=”30px”]

Canny Kenar Tespiti

Canny kenar algılama algoritması, aynı anda bastırılan gürültüyle kenarları algılayabilen çok adımlı bir algoritmadır. İçerisinde Gauss filtresi ile gürültüyü azaltma, degrade operatörlerinin kullanımı ile gradyan hesaplama, Threshold (eşik) değerleri ile kenarları algılama adımlarını barındırmaktadır.

Örneğin, bireyin eli bulunan bir MRI görüntüsü üzerinde eşik değerleri (20, 70) olacak şekilde bir Canny tespit edicisini çalıştıralım ve sonuçlarına bakalım.

[gdlr_core_space height=”30px”]

page8image45545488

 

Şekil 28. Canny Kenar Algılayıcısı ile Kenar Tespiti Gerçekleştirilmiş Görüntü

[gdlr_core_space height=”30px”]

page9image45507936

 

Şekil 29. Canny Filtre Alma Matlab Kodu

page9image45507728

 

Şekil 30. Canny Filtresi Uygulanan Görüntü Sonucu

[gdlr_core_space height=”30px”]

Morfolojik İşlemler için Aşınma ve Genişleme Filtrelerinin Uygulanması

Aşınma (erode) filtresi, gri tonlamalı veya paketlenmiş ikili görüntüyü verilen yapısal elemanın değerleri doğrultusunda aşındırır.

Genişleme (dilate) filtresinde ise aşınmış görüntünün aşınan alanlarını genişletilerek üzerinde işlem yapılmasını kolaylaştırır. Belirlenen yapısal elemanlar ile aşınma ve genişleme filtrelerini aşağıdaki gibi uygulayalım.

[gdlr_core_space height=”30px”]

page9image45508144

 

Şekil 31. Aşınma ve Genişleme Filtreleri Alma Matlab Kodu

page9image45508352

 

Şekil 32. Aşınma ve Genişleme Filtreleri Uygulanan Görüntü Sonucu

[gdlr_core_space height=”30px”]

Yukarıda anlattığım görüntünün ön işleme aşamaları, uygulanılacak projelere göre yapısal elemanları değiştirilerek farklı filtreler ile denenebilmektedir. Böylece görüntüde en sık kullanılan ön işleme aşamalarını anlatmış bulunmaktayım. Güzel günlerde kodlamalar dilerim 💻

Diğer yazılarıma buradan ulaşabilirsiniz.

[gdlr_core_space height=”60px”]

REFERANSLAR

  1. https://www.cocukendokrindiyabet.org/haber/95 adresinden alınmıştır.
  2. Gür Emre Güraksın, Selçuk Üniversitesi, Yapay Zekâ Teknikleri Kullanarak Kemik Yaşı Tespiti,Fen Bilimleri Enstitüsü, Ocak-2015.
  3. Uz. Asis. Nurdan Akkan, Kemik Yaşı Saptanmasında Kullanılan Greulich-Pyle ve Tanner-Whitehouse Metodlarının Karşılaştırılması, İ.Ü. Diş Hekimliği Fakültesi Diş ve Çene OrtopedisiBirimi, 1982.
  4. Esra HASALTIN, Erkan BEŞDOK, El – Bilek Röntgen Görüntülerinden Radyolojik Kemik YaşıTespitinde Yapay Sinir Ağları Kullanımı, Erciyes Üniversitesi, Bilgisayar Mühendisliği Bölümü,Mühendislik Fakültesi, Fen Bilimleri Enstitüsü.
  5. Neyzi, O., Ertuğrul, T., Pediatri (2.Baskı), s. 61-100, Nobel Tıp Kitabevleri, İstanbul, 1993.
  6. https://mesutpiskin.com/blog/opencv-arka-plan-cikarma-background-subtraction.html
  7. adresinden alınmıştır.
  8. Dr. Öğr. Üyesi Caner Özcan, Karabük Üniversitesi, BLM429 Görüntü İşlemeye Giriş, YoğunlukDönüşümleri ve Histogram İşleme.
  9. https://www.mathworks.com/help/images/ref/imadjust.html adresinden alınmıştır.
  10. Sıddık Açıl, Python ile Görüntü İşleme: Mean ve Median Filtreler adlı Medium yazısındanalınmıştır.
  11. https://www.mathworks.com/help/images/ref/fspecial.html?searchHighlight=fspecial&s_tid=doc_srchtitle adresinden alınmıştır.
  12. https://www.mathworks.com/help/images/edge-detection.html?searchHighlight=cannyadresinden alınmıştır.
  13. https://www.mathworks.com/help/images/ref/imerode.html?s_tid=doc_ta adresinden alınmıştır.
  14. https://www.mathworks.com/help/images/ref/imdilate.html?s_tid=doc_ta adresinden alınmıştır.

Leave a Reply

Your email address will not be published. Required fields are marked *