Beyin Manyetik Rezonans İmgelerinin ITK,VTK ve MeVisLab

Kullanılarak Bölütlenmesi
Segmentation of Brain Magnetic Resonance Images using ITK,
VTK and MeVisLab
Duygu Sertel, Yunus Şen Bozdemir, Nalan Özkurt

Elektrik ve Elektronik Mühendisliği Bölümü,

Dokuz Eylül Üniversitesi
{duygu.sertel, yunussen.bozdemir}@ ogr.deu.edu.tr
nalan.ozkurt@deu.edu.tr

piksellerin belli bir koşula bağlı kalacak şekilde

Özetçe
Bu çalışmada ITK (Insight Registration and Segmentation
Toolkit), VTK (Visualization Toolkit) ve MeVisLab (Medical
Image Processing and Visualization) programlama ortamları
kullanılarak, manyetik rezonans (MR) imgelerinden beyaz, gri
cevherlerin ve Multipl Skleröz (MS) hastalığından etkilenmiş
dokuların yarı-otomatik bölütlenmesi yapılmıştır.
Abstract
In this study, the white matter, gray matter and the tissues
affected by Multiple Sclerosis are segmented semi-
automatically from Magnetic Resonance images using
programming environments ITK (Insight Registration and
Segmentation Toolkit), VTK (Visualization Toolkit) and
MeVisLab (Medical Image Processing and Visualization).
1. Giriş
Biyomedikal imge bölütleme birçok hastalığın tanı ve
tedavisinde sıklıkla kullanılmaktadır [1]. Özellikle multipl
skleröz gibi hızlı ilerleyen hastalıkların tanısında Manyetik
Rezonans (MR) imgelerinin incelenmesi önemli bir yer
tutmaktadır [2]. Radyolojik tanı yapan tıbbi uzmanların
işlerini kolaylaştırmak için yarı-otomatik ve otomatik
bölütleme algoritmalarının geliştirilmesi konusunda birçok
çalışma yapılmaktadır [1,3].
MR imgelerinin bölütlenmesi için birçok imge işleme yöntemi
kullanılmaktadır [1]. İmgenin bölgelerinin homojen olması
durumunda, parlaklık, renk ve doku gibi özellikler
kullanılarak bölütleme işlemi sorunsuz olarak
yapılabilmektedir [4]. Bölütlemede en çok kullanılan teknikler
eşikleme (thresholding), bölge genişletme (region growing),
dönüm noktaları tabanlı bölütleme (watershed segmentation),
düzey kümesi bölütleme (level-set segmentation), çeşitli
özniteliklerin çıkarılmasıyla uygulanan öbekleme yöntemleri
ve bunların birarada kullanılmasıyla ortaya çıkan karma
yöntemlerdir [3,4]. Kullanılacak olan yöntemin seçimi ise
eldeki probleme göre değişiklik göstermektedir. Bu çalışmada
kullanılan bölütleme tekniği, imge içinde birbirine bağlantılı
978-1-4244-6382-4/10/$26.00 ©2010 IEEE
genişletilmesini içeren bölge büyütme yöntemidir.
Bölütleme yönteminin dışında tanı sisteminin verimliliğini
belirleyen bir diğer etmen de kullanılan programlama
ortamıdır. Matlab gibi programlama ortamları algoritma
geliştirmek için çok uygun olsa da medikal görüntüleme gibi
yüksek boyutlu verinin kullanıldığı ve 3 boyutlu
görüntülemenin önemli bir yer tuttuğu uygulamalarda yavaş
ya da yetersiz kalabilmektedir. Bu yüzden de özellikle
biyomedikal görüntüleme ve bölütleme amacıyla açık
kaynaklı çok platformlu ITK (insight registration and
segmentation toolkit) 1999’da Amerika’da ticari şirketler ve
üniversitelerin katılımıyla kurulan bir konsorsiyum tarafından
geliştirilmeye başlanmıştır [5]. Açık kodlu olması nedeniyle
de birçok araştırmacı ITK kodlarının gelişimine katkıda
bulunmaktadır. İçerdiği birçok görüntü işleme fonksiyonları
DICOM (The Digital Imaging and Communications in
Medicine) formatı başta olmak üzere çeşitli formatlardaki
imgeler üzerine uygulanabilmekte ve VTK (Visualization
Toolkit) ile görüntülenmektedir [6]. MeVisLab ise MeVis
Medical Solutions AG ve Fraunhofer MEVIS tarafından
geliştirilen, modüler yapısı sayesinde birçok ITK ve VTK
kütüphanelerinin kullanılabilmesini sağlayan bir yazılımdır
[7].
Bu çalışmada BrainWeb sitesinden [8] alınmış sağlıklı ve
normal yapay MR imgeleri ile Dokuz Eylül Üniversitesi
Radyoloji Anabilim dalından alınmış DICOM formatlı MR
imgeleri; ITK, VTK ve MeVisLab yazılımları ile çeşitli bölge
büyütme teknikleri kullanılarak bölütlenmiş, beyaz cevher, gri
cevher ve MS plakları tespit edilmiştir. Bildirinin sonraki
bölümlerinde kullanılan bölütleme yöntemlerinin
anlatılmasının ardından kullanılan programlama ortamı kısaca
tanıtılacak ve elde edilen sonuçlar sunularak yorumlanacaktır.
2. Bölge Genişletme ile İmge Bölütleme
İmge bölütleme, tüm imge bölgesi R ’yi birbiriyle kesişmeyen
küçük imgeler ya da bölütlere {R1 , R2 ,K, Rs } ayırma işlemi
olarak tanımlanabilir. İmge ve bölütlerin özelliklerine bağlı
olarak çeşitli bölütleme yöntemleri kullanılmaktadır. Bölge
genişletme yöntemi en temel bölütleme yöntemlerinden
biridir. Bölütlenmesi istenen imge parçası içinde kullanıcı
tarafından seçilen bir başlangıç ya da tohum noktasından
başlanılarak çevre pikseller ışık yoğunluğu, yerel ortalama ya
da varyans gibi verilen parametre cinsinden karşılaştırılarak
koşulu sağlıyorsa bölgeye dahil edilir ve bölge büyütülmüş
olur [1].
Bu bölümde yapılan çalışmada kullanılan bağlantılı eşik
(connected threshold) ve güven bağlantılı (confidence
connected) bölge genişletme bölütleme yöntemleri kısaca
anlatılacaktır.
Bağlantılı eşik bölütlemede, X pikselinin ışık yoğunluğu
I ( X ) kullanıcı tarafından verilen eşik noktaları Ealt ve
Eust arasında kalıyorsa,
I ( X ) ∈ [Ealt , Eust ] (1)
alan belirlenen başlangıç noktasından başlatılarak koşulu
sağlayan komşu piksel kalmayana kadar büyütülür [5].
Güven bağlantılı bölge genişletmede, mevcut bölge için
istatistiksel hesaplama yapılarak verilen parametrelere bağlı
bir güven aralığı hesaplanır, aralık içinde kalan komşu
pikseller
I(X) ∈ [m− fσ,m+ fσ] (2)
bölgeye dahil edilir, burada m ortalama, σ standart sapma ve f
kullanıcı tarafından tanımlanan ayar parametreleridir. İşlem
yinelemeli olarak devam eder [5].
3. ITK, VTK ve MeVisLab
ITK (Insight Registration and Segmentation Toolkit), C++
üzerinde çalışan ve biyomedikal imgelerin kayıt ve
bölütlenmesi üzerine özelleşmiş açık kaynak kodlu ve birçok
platformda çalışabilen bir yazılımdır. Genellikle tomografi ve
MR imgeleri üzerinde kullanılır ve içerdiği geniş kütüphane
sayesinde çeşitli imgeler üzerinde verimli bir şekilde
çalışılabilir [5].
VTK (Visualization Toolkit), 3 boyutlu bir görüntüleme
yazılımıdır. VTK skalar, vektörel, tensor, doku ve hacimsel
birçok görüntüleme algoritmasını; poligon azaltma, üçgenleme
gibi ileri teknikleri destekler. Etkileşimli 3 boyutlu
görüntüleme araçları bulunur ve kullanıcı arayüzü hazırlama
programları ile tümleşik olarak çalışabilir [6].
MeVisLab kullanıcı arayüzü sayesinde ITK ve VTK
modüllerinin basit bir şekilde kullanılmasına olanak sağlayan
bir benzetim programıdır. Bu program görüntü işleme ve
görselleştirmek için hızlı bir prototip geliştirme platformudur.
Geniş kütüphanesi sayesinde
• Geliştirilen yeni algoritmalar için C++ arayüzü
tasarlanabilir,
• Algoritma ara bağlantıları (pipelines) ve ağlara
kolay bağlanır,
• DICOM gibi standart formatlar için klinik ortamlara
hızlı ve kolayca tümleşir,
• Klinik ortamlardaki sürekli işlemler için yeterli
performans sağlar.
Genel görüntü işleme algoritmaları ve görselleştirme araçları
yanında bölütleme, kayıt, hacimsel, nicel morfolojik ve
fonksiyonel analiz için tıbbi görüntüleme modülleri içerir.
MeVisLab bilinen üçüncü parti uygulamalarla birlikte Qt
(kullanıcı arayüzü oluşturma), Open Inventor (canlandırma ve
etkileşim aracı), Python (komut dili), OpenGL (grafik
standardı) ile birlikte uyumlu çalışmaktadır [7].
4. Sonuçlar
Bu bildiride bölge genişletme tabanlı bölütleme
tekniklerinden bağlantılı eşik tekniği ile McGill Üniversitesi
beyin simulatörü Brainweb sitesinden alınan [8] proton
yoğunluğu (PY) imgeleri içerisinden beyaz bölge, gri bölge
ve MS plakları bölütlenerek sitede verilen bölütleme
sonuçları ile karşılaştırılmıştır. Doğruluk yüzdesi aşağıdaki
gibi hesaplanmıştır
Doğruluk = DP + DN (3)
100
Toplam Piksel
burada DP (doğru pozitif) doğru olarak bulunan istenilen
doku piksellerini, DN (doğru negatif) de doğru olarak
bulunan dokuya ait olmayan pikselleri temsil etmektedir.
İlk çalışmada okunan imge itkCurvatureFlowImageFilter ve
itkConnectedThresholdImageFilter süzgeçlerinden geçirilmiş
ve görüntülenmiştir (Şekil 1).
Elde edilmek istenen doku içinde seçilen bir tohum noktası ile
gri cevher % 96 başarı ile ve beyaz cevher de % 98,6 başarı
ile bölütlenmiş ve sonuçlar Şekil 5’te gösterilmiştir.
Şekil 1: Gri ve beyaz cevherin bölütlenmesi için kullanılan
bağlantılı eşik MeVisLab blok şeması
MS plakları gibi bütünü bağlantılı olmayan hedef dokular
durumunda birden fazla tohum noktası ile bağlantılı eşik
algoritmasının çalıştırılması ve elde edilen bölütlerin
maskelenerek birleştirilmesi gereklidir. Örnek MS plak
dokusunun bölütlenmesi için Şekil 2’deki süzgeç blokları
kullanılmış ve % 99.87 başarı ile bölütleme yapılmıştır.
Sonuçlar Şekil 6’da verilmiştir. Diğer bir uygulamada ise PY
MR imgesinin aynı kesiti bu defa
itkConfidenceConnectedImageFilter kullanılarak
bölütlenmiştir (Şekil 3). f parametresi deneysel olarak gri
cevher için 1,6 ve beyaz cevher için 1,5 olarak seçilmiş.
Bunun sonucunda beyaz cevher %98,91 gri cevher %97,9
başarı ile bölütlenmiştir. Sonuçlar Şekil 7’de verilmiştir.
Şekil 2: MS plakları için kullanılan üç filtreli bağlantılı eşik
MeVisLab blok diagramı
Şekil 3: Gri ve beyaz cevherin bölütlenmesi için kullanılan
güven bağlantılı MeVisLab blok şeması
Gerçek MS hastasından alınmış DICOM formatındaki T2-
Flair imgesinde MS plaklarının bölütlenmesi için Şekil 4’te
görülen MeVisLab blokları uygulanmıştır. Burada DICOM
imgenin ImageLoad bloğu ile yüklenmesinin ardından
SoGroup, SoView2DPosition ve WorlVoxelConvert
fonksiyonları ile resim üzerine bölütlenecek bölge fare ile
işaretlenmekte ve süzgeçten geçirilen imge bağlantılı eşik
yöntemi ile bölütlenmektedir. MS plağının iki farklı bölgesi
için sonuçlar Şekil 8’de verilmiştir.
Şekil 4: DICOM imgeden MS plaklarının bölütlenmesi için
kullanılan bağlantılı eşik MeVisLab blok şeması
5. Tartışma ve Gelecek Çalışmalar
Bu bildiride biyomedikal imge bölütleme konusunda
özelleşmiş ITK, VTK ve MeVisLab yazılımları tanıtılmış ve
bölge genişletme yöntemleri kullanılarak MR imgelerinin
beyaz, gri cevher bölgeleri ile MS plakları bölütlenmiştir.
Başarı oranlarının yapay imgelerde beyaz ve gri cevherde
yüksek olmasına karşın, bölge büyütme gibi bağlantılı olma
esasına dayanan yöntemler homojen olmayan imgelerde
yeterince başarılı değildir. Ayrıca bu uygulamada MS
plaklarında olduğu gibi parçaların bağlantılı olmadığı
durumlarda kullanıcın her bölgede ayrı ayrı başlangıç noktası
belirlemesi gerekmektedir.
Bu bildirinin önemli amaçlarından biri de ITK, VTK ve
MeVisLab programlama ortamlarının tanıtılmasıdır. Bu
yazılımların en önemli getirileri C++ üzerine kurulu olması
nedeniyle hızlı ve verimli çalışması; açık kodlu olması
nedeniyle farklı araştırmacılar tarafından sürekli
geliştirilmeye devam etmesi; her platformda çalışabilir olması
sayesinde farklı ortamlarda rahatça kullanılabilmesi ve arayüz
geliştirmeye uygunluğu nedeniyle klinik ortamlara rahatça
uyarlanabilmesidir. Bundan sonraki çalışmalarda yeni
bölütleme algoritmaları geliştirilerek sağlıklı ve hasta
kişilerden alınmış MR imgeleri üzerinde bölütleme
çalışmaları yapılacaktır.
6. Teşekkür
Dr. Hatice Doğan, Alper Selver ve Uğraş Erdoğan’a ITK,
VTK ve MeVisLab ile görüntü işleme konusunda yaptıkları
yardımlardan ve Prof.Dr. Süleyman Men’e verilerin elde
edilmesi ve analizinde yaptığı katkılardan dolayı teşekkür
ederiz.
7. Kaynakça
[1] Jan, J., Medical Image Processing, Reconstruction and
Restoration: Concepts and Methods, 2006, Taylor and
Francis Group.
[2] Clanet M, Berry I., “Magnetic resonance imaging in
multiple sclerosis”, Curr Opin Neurol. 11(4),299-
303,1998.
[3] Pham, D.L., Xu, C., Prince, J.L, Current Methods in
Medical Image Segmentation , Annu. Rev. Biomed. Eng,
Vol. 2, 315-337, 2000.
[4] Bovik, A. (Ed.), Handbook of Image Video Processing,
Academic Press, 2000.
[5] Ibanez, L., Schroeder, W., Ng, L., Cates, J. and Insight
Software Consortium, The ITK Software Guide, Second
Edition , ver. 2.4, 2005. http://www.itk.org.
[6] Schroeder, W., Martin, K., Lorensen, B., The
Visualization Toolkit, 3rd Ed., Kitware, 2002,
http://www.vtk.org.
[7] MeVisLab , Medical Image Processing and Visualization,
Version 2.0, Copyright © MeVis Medical Solutions,
http://www.mevislab.de/
[8] BrainWeb: Simulated Brain Database, McGill Univ.
http://www.bic.mni.mcgill.ca/brainweb/.
 (a) (b) (c)

Şekil 5: Beyaz ve gri cevher için (a) özgün PY MR imgesi (b) beyaz ve (c)gri cevher bölütleme sonucu.

(a) (b) (c)

Şekil 6: MS plakları için (a) özgün PY MR imgesi (b) bölütleme sonucu (c) hedef bölüt.

(a) (b) (c)

Şekil 7: Güven bağlantılı bölütleme için (a) özgün PY MR imgesi (b) beyaz ve (c) gri cevher bölütleme sonucu.

(a) (b)
Şekil 8: Gerçek MR imgesi için (a) MS plağının ilk parçası (b) MS plağının ikinci parçası.