Otomatik Eklem Kıkırdağı Bölütleme
Bu çalışmada MR görüntülerinin bölütlenmesi için doku sınıflandırma ve aktif görünüm modellerine dayalı hibrit bir yöntem geliştirilmiştir. Doku sınıflandırma için her bir kıkırdak bölgesinin MR görüntülerindeki yerel ve konum özelliklerini kullanan bire-tüm voksel sınıflandırıcılar oluşturulmuştur. Aktif görünüm modeli ile bölütleme sürecinde ise oluşturulan modellerin atlasların ana şekillerinin korunarak ilgi bölgelerine uydurulması sağlanmıştır. Böylece hibrit bölütleme yöntemi bölgelerin şekil ve görece konum bilgisinin doku sınıflandırma işlemi sonucu elde edilen olasılıklarla birleştirilmesini gerçekleştirmiştir. Otomatik bölütlemelerin kısmen elle gerçekleştirilmiş taban gerçeklik bölütlemeler ile doğrulanması için uygun benzerlik ölçütleri kullanılmıştır. Sonuçta elde edilen 3-B modeller üzerinden kalınlık ve hacim gibi bazı ölçümler yapılmış, ve ilgi bölgelerindeki tahmini doku kaybı elde edilen şekil bilgisi kullanılarak değerlendirilmiştir.
Geliştirilen bölütleme sistemi nihayette hem sağlıklı hem de osteoartrite tutulmuş katılımcılara ait diz MR görüntülerinde etkin olarak çalışabilecek şekilde tasarlanmıştır. Sistemde OAI’e ait 3-B DESS standardında, (384×384×160) voksel boyutunda ve satır, sütun ve kesitte (0,36 mm, 0,36 mm, 0,7 mm) çözünürlüklerindeki sajital yüksek alan diz MR görüntüleri kullanılmıştır. Veri setinde hastalığı ilerlemiş alt gruba ait 88 MR görüntüsü için kıkırdak bölgelerinin bir yazılım yardımıyla kısmen elle gerçekleştirilmiş taban gerçeklik bölütlemeleri mevcuttur. Bu taban gerçeklik bölütlemeler yöntemlerin başarısının değerlendirilmesine imkân sağlamaktadır. Bunun yanında kontrol verisi olarak OAI içerisinden seçilen 15 sağlıklı katılımcıya ait 3-B DESS MR görüntüsündeki kıkırdak bölgeleri projede görev alan radyologlarca ITK-SNAP yazılımı ile bölütlenmiştir. Böylece bu görüntüler için de taban gerçeklik bölütlemelerin oluşturulması sağlanmıştır. Bu MR görüntüleri ve taban gerçeklik bölütlemeleri kullanılarak hibrit bölütleme sisteminin alt yapısını oluşturan farklı bölütleme yöntemleri geliştirilmiştir.
Bir diz MR görüntüsündeki eklem kıkırdağını bölütlemek için geliştirilen yöntemler şunlardır:- Voksel Sınıflandırma Tabanlı Bölge Büyütme Bölütlemesi
- Aktif Görünüm Modeli Bölütlemesi
- Hibrit Bölütleme
Diz Manyetik Rezonans Görüntülerinde Eklem Kıkırdağı Bölgeleri ve Osteoartrit Analizi
Eklem kıkırdağı dokuları kemikler arası sürtünmeyi azaltarak eklemin etkin bir şekilde hareket etmesine imkân sağlar. Dizde bulunan eklemsel kıkırdak bölgeleri femur (uyluk) kemiğinin dize yakın uç kısmını çevreleyen femura ait kıkırdak (FC- femoral cartilage), tibia (kaval) kemiğinin yine dize yakın uç kısmında bulunan tibiaya ait kıkırdak (TC-tibial cartilage) ve patella (diz kapağı) kemiğinin femur ile etkileştiği kısımda bulunan patellaya ait kıkırdak (PC-patellar cartilage) bölgeleridir. TC, dış tibia kıkırdağı (LTC- lateral tibial cartilage) ve iç tibia kıkırdağı (MTC- medial tibial cartilage) olmak üzere iki bileşenden oluşur. Şekil 1 MR görüntüleri üzerinden kısmen elle bölütlenmiş bu kıkırdaksı yapıları (a)’da üç boyutlu (3-B) bir model halinde (b)’de ise insan vücudunun sol-sağ yönlerine dik olan sajital bir MR görüntü kesitinde resmetmektedir. Şekilde kırmızı, yeşil, mor ve sarı renkler sırasıyla FC, LTC, MTC ve PC bölgelerinin yüzey ve sınırlarını ifade eder.
Şekil 1: (a) 3-B model şeklinde, (b) sajital bir MR görüntüsü kesitinde kısmen elle bölütlenmiş diz eklemi kıkırdak bölgeleri.
MR görüntüleri kıkırdağın morfolojik olarak değerlendirilmesi ve ölçülmesi için güvenilir görüntülerdir (Eckstein vd., 2006). Özellikle sajital yüksek alan MR görüntülerinin ve yağ baskılanmış T1-ağırlıklı SPGR veya su-seçici uyarımlı 3-D DESS gibi görüntüleme standartlarının kıkırdak dokuların görüntülenmesinde etkin olduğu vurgulanmaktadır (Crema vd., 2011). Dolayısıyla bu tür MR görüntüleri kıkırdağın otomatik bölütlenmesi ve osteoartrit analizi çalışmalarında sıklıkla kullanılmaktadır.
Voksel Sınıflandırma Tabanlı Bölge Büyütme Bölütlemesi
Bu yöntem için ön çalışma olarak Folkesson vd. (2005, 2007)’de sunulan voksel sınıflandırma tabanlı bölge büyütme algoritmasının bir benzeri gerçekleştirilmiştir (Öztürk ve Albayrak ).Buna göre kıkırdak bölgeleri için seçilmiş bazı MR görüntü özelliklerini kullanarak, bu bölgelerin voksellerini arka plandan ayırt edecek bire-tüm sınıflandırıcılar tasarlanmıştır. Sayıca yoğunlukta olan arka plan voksellerinin farklı alt örnekleme teknikleriyle azaltılarak eğitim modellerinin oluşturulması, yeterli sayıda mühim özelliğin seçilmesi ve bire-tüm sınıflandırıcıların paralleştirilmesi sağlanmış, böylece yöntemin karmaşıklığı mümkün mertebe azaltılmıştır. Her bir bölgenin bu yöntemle bölütlenebilmesi için uygulanan temel adımların akış şeması Şekil 2’de görülmektedir.
Şekil 2: Voksel sınıflandırmaya dayalı bölge büyütme algoritmasıyla çalışan kıkırdak bölütleme sisteminin blok diyagramı.
Bu çalışmada 10 eğitim MR görüntüsü, 23 test MR görüntüsü kullanıldığında ortalama Dice benzerlik katsayısı (DSC) değerleri FC için %82.6, TC için %83.1 ve PC için %72.6 olarak hesaplanmıştır. Bir test MR görüntüsündeki tüm kıkırdak bölgelerinin bölütlenmesi sıradan bir dizüstü bilgisayarda ortalamada 28 dakika gerektirmiştir. En yüksek DSC değerleri ise eğitim modelleri için kıkırdak çevresiyle ilişkili bir alt örnekleme stratejisi kullanarak arka plan örneklerinin sayısı azaltıldığında elde edilmiştir. Buna karşın sistemin sınırlandırılmış yerel hacimler kullanmaması sebebiyle kıkırdak bölgeleri yüzeylerinde aşırı bölütlenmiş çıkıntılar oluştuğu görülmüştür. Özellikle PC için, kıkırdakla benzerlik gösteren sinovyal sıvı bölgeleri yanlış pozitif sınıflandırmaların artmasına neden olmuştur. Bunun yanında her ne kadar konum hizalama adımı, ilgi bölgelerinin eğitim ve test görüntüleri arasındaki konum farklılıklarını bir miktar gidererek bölütleme başarılarını arttırsa da bölütleme sürelerini iki katına çıkarmıştır.
Voksel sınıflandırma tabanlı bölge büyütme bölütlemesine ait demolar için tıklayınız.
Aktif Görünüm Modeli Bölütlemesi
Aktif görünüm modeli (AGM) tabanlı bölütleme yönteminde eğitim atlaslarının hem şekil hem de yoğunluk benzeri özelliklerinin birbirleri arasındaki değişimler öğrenilerek oluşturulan bir model, bölütleme esnasında öğrendiği bu değişimlere göre kendini güncelleyerek bölütlenecek dokuyu sentezlemeye çalışır. Bu süreç modelin eğitim görüntülerindeki atlaslara bağımlı kalarak kendini aşırı değiştirmesini engeller (Öztürk ve Albayrak)
AGM üretiminde her bir kıkırdak bölgesi için önce eğitim atlaslarının yüzeyleri arasındaki yoğun nokta denklikleri şekil bağlamında tekrarlı bir çakıştırma süreciyle bulunmuştur. Ardından eğitim atlasları ve bulunan nokta denklikleriyle şekil, doku, görünüm ve arama modelleri hazırlanmıştır. Voksel sınıflandırma tabanlı bölütleme sonuçlarıyla maskelenmiş MR görüntülerinde koşulan arama modeli ile model ve test görüntüsü arasındaki doku farklılıklarından hesaplanmış bir hata vektörü kullanılarak tekrarlı bir şekilde sorgular yapılır. Böylece görünüm modelinin test görüntüsünü bu hata vektörü değerlerini en küçükleyecek şekilde sentezlemesiyle AGM bölütleme süreci başarılır. Şekil 3 bazı kıkırdak bölgeleri için kırmızı renkli voksel sınıflandırma tabanlı bölütleme sonuçları üzerine çizilmiş yeşil renkli AGM bölütlemelerini resmetmektedir. Şekildeki örneklere benzer şekilde AGM bölütlemesiyle kıkırdak bölgelerinin olağan yapısı tahmin edilmeye çalışılmıştır.
Şekil 3: FC (solda) ve LTC (sağda) için voksel sınıflandırmaya dayalı bölge büyütme algoritmasıyla elde edilen bölütleme sonuçları (kırmızı renkte) üzerine çizilmiş AGM bölütlemesi sonuçları (yeşil renkte).
AGM bölütlemesine ait demolar için tıklayınız.Hibrit Bölütleme
Voksel sınıflandırma tabanlı bölge büyütme algoritmasıyla bölütleme kıkırdağın bozulabilir tabiatına uygun bir yaklaşımdır. Bununla birlikte özellikle şiddetli tam derinlikli bozulmalar durumunda hatalı bölütlemelere neden olabilmekte ve aşırı bölütleme problemleri ile tek başına tümüyle baş edememektedir. Hibrit bölütlemede voksel sınıflandırma tabanlı bölge büyütme sisteminin bölütleme sonuçları ile AGM tabanlı sistemin bölütleme sonuçları birleştirilerek bölütleme yaklaşımı itibarıyla yeni bir yöntem ortaya konmaktadır. Şekil 4 önerilen hibrit bölütleme sisteminin ana birimlerini göstermektedir. Bu yöntem üzerine ileride daha detaylı bilgiler sunulacaktır.
Şekil 4: Hibrit bölütleme sisteminin ana birimleri.
Hibrit bölütlemeye ait demolar için tıklayınız.