Alt Piksel Metodu İle Çözünürlüğü Geliştirilmiş Tıbbi Görüntülerde Performans Analizi

Abstract

Görüntü işleme dünyasında düşük çözünürlüklü bir görüntünün veya videonun yüksek çözünürlüklü olarak yeniden iyileştirilmesi araştırmacıların oldukça ilgisini çekmektedir. Süper çözünürlük olarak adlandırılan bu işlemler tıbbi görüntüleme, uydu görüntüleme ve yüz tanıma gibi birçok alanda doğrudan uygulama alanı bulmaktadır. Süper çözünürlük sorunu genel olarak yüksek çözünürlük verilerinin düşük geçişli filtrelenmiş, alt örneklenmiş ve gürültülü bir versiyonu olarak kabul edilir. Görüntü işlemede kullanılan bilgisayarlı tomografi ve manyetik rezonans görüntüleme gibi teknikler hastalıkların teşhis edilmesinde uzun süredir kullanılmaktadır. Uzman hekimlerin tıbbı görüntülerin doğru ve erken teşhisinde kullanılmak üzere makine öğrenmesi yöntemlerinden de yararlanılmaktadır. Bu yöntemler sayesinde aynı tıbbı görüntüde çakışan uzman görüşlerinin doğru karar vermesine katkıda bulunmak üzere mevcut tıbbı görüntülerin çözünürlüklerini arttırmaya yönelik bir çalışma sunulmuştur. Bu çalışmada tıbbı görüntü formatı dicom dosyalarının jpg gibi bilinen görüntü formatlarına dönüştürülerek algılanması zor olan tümörleri teşhis etmek için medikal görüntülere alt piksel yöntemi uygulanarak görüntünün çözünürlüğü arttırılmış ve görüntülerin benzerlik analizi yapılmıştır. Alt piksel evrişimli ağ modelinde görüntülerin r yükseltme faktörü kadar görüntü büyütmek için model r x r oranında özellik haritasına ihtiyaç duymaktadır. Bu çalışmada görüntünün kalitesini ve benzerliği değerlendirmek için yaygın olarak kullanılan PSNR Tepe Sinyal Gürültü Oranı yönteminden faydalanılmıştır. Alt piksel evrişimli sinir ağı ile çözünürlüğü arttırılan görüntülerin PSNR yöntemi ile benzerlikleri değerlendirilmiştir. Sonuç olarak bu çalışmada beyin tümörlerinden oluşan medikal görüntülerin çözünürlüğü arttırılmış ve yöntemin sonuçları tartışılmıştır. Çalışmanın sonunda medikal görüntüler üzerinde yapılacak araştırma ile ilgili bilgiler sunulmuştur.In the world of image processing, reconstructing a low-resolution image or video to high resolution attracts the attention of researchers. These processes, called super resolution, find direct application in many areas such as medical imaging, satellite imaging and facial recognition. The super-resolution problem is generally considered to be a low-pass filtered, subsampled, and noisy version of high-resolution data. Techniques such as computed tomography and magnetic resonance imaging used in image processing have been used for a long time in diagnosing diseases. Machine learning methods are also used for accurate and early diagnosis of medical images by specialist physicians. Thanks to these methods, a study is presented to increase the resolution of existing medical images in order to contribute to the correct decision-making of expert opinions that overlap in the same medical image. In this study, medical image format dicom files were converted to known image formats such as jpg, and the resolution of the image was increased by applying the subpixel method to medical images to diagnose tumors that are difficult to detect, and the similarity analysis of the images was performed. In the subpixel convolutional network model, the model requires a feature map in the ratio r x r to enlarge the images by the amplification factor r. In this study, the widely used PSNR Peak Signal to Noise Ratio method was used to evaluate the quality and similarity of the image. The similarity and quality of the images, whose resolution we increased with subpixels, were evaluated using the PSNR method. As a result, in this study, image resolution was increased by using the subpixel method and the results of the method were discussed. At the end of the study, information about research on medical images is presented.