Yoğun ve stresli bir süreçten sonra periyodik stres faktörüm Tez İzleme Komitesi geride kaldı ve yeni sorumluluklar ekleyerek saçlarda ak arttırma konseptine yardım etme kararı verildi. Tez konum nöroinformatik görüntülerin (fMRI, DTI, PET vb.) daha verimli depolanması ve hızlı ulaşımıyla alakalı yöntemler geliştirmek olarak özetlenebilir. Tabi bu konulara çalışırken rastladığım bazı makaleler benim konumdan uzak ama tıp bilişimi ve medikal görüntü işleme üzerine çok tanımlayıcı oluyorlar. Bu konuda rasladığım biraz eski tarihli de olsa yapıyı çok iyi anlatan bir makaleyi sizinle paylaşmak istedim. “A Review of Medical Imaging Informatics” adlı bu makale 2002 tarihli ama problemin özünü kavrama açısından çok faydalı olacaktır. Yazı dizisinin bitiminde ise biraz gayriresmi bir dille de olsa makaleden sonraki çalışmalardan kaynaklanan gelişmeler ve klinik anlamda bu çalışmalardan gelecek için neler öngörebilirizi cevapmalamay çalışacağım.

Medikal Görüntü İşleme

American Medical Informatics Association dergisinin 2000 yılındaki  yayınında  baş makalede “The cornerstones of medical informatics”, tıp bilişiminin dört aşamasından  biri olan Sağlık Hizmetleri hakkında, yeni bir bilgi yönetim grubunun gelişim temelleri anlatıldı. Bu dört ana unsur, tıp bilişiminin gelişimi için önemli olan altyapıya odaklanır ve geleneksel veri işleme ve bilgi sistemlerini genişletir. Makaleden alıntı yapılarak bu aşamalar aşağıdaki gibi açıklanabilir. (sıraları değiştirilmiştir) :

  1. Verinin elde edilmesi ve sunulması için yöntemlerin geliştirilmesi ile aşırı yüklenme engellenebilir;
  2. Veriyi ve bilgiyi resmetmek için yapılar üreterek karmaşık ilişkiler görselleştirilebilir;
  3. Parçaların toplamından daha fazlasını elde etmek için çeşitli kaynaklardan alınan bilginin entegrasyonu ve bilginin iş süreçlerine entegrasyonu ile en yüksek verim düzeyinde harekete geçilebilir;
  4. İnsan, süreç ve bilgi teknolojileri arasındaki değişimi yöneterek bilginin kullanımı optimize edilebilir.

Medikal görüntüleme bilişiminin bilişim konularına ek olarak görüntü saklama ve iletişim sistemleri (PACS), görüntü işleme ve analiz uygulamalarıyla ilgili alanları da kapsayan geniş bir tanımı vardır. Bu alanlardan her biri çok geniştir, mesela; PACS ağ oluşturma, görüntü arşivleme ve gösterme, görüntü sıkıştırma ve görselleştirme ile ilgili konuları kapsar. PACS şu anda 15 sene ya da daha fazla süren araştırma ve geliştirmeye dayanan oldukça olgun bir teknolojidir. UCLA Radyolojik Bilimler Bölümü görselleştirme, sıkıştırma ve ağ oluşturma konularındaki yenilikleriyle bu alanda öncüdür. Bununla birlikte, bilişim bakışı açısından PACS’in, geleneksel veri işleme ve bilgi sistemleri alanına ait olduğu düşünülebilir ( Bu benim aslında her zaman ifade ettiğimle örtüşüyor, PACS gün geçtikçe standard HBYS benzeri otomasyona dönüşüyor bu da benim gibiler için zevksizleştiriyor:), o yüzden her zaman şirketteki arkadaşlara aynı şeyi söylüyorum PACS bizim nihai amacımız değil ana amacımıza giden yolda basit bir araçtır.). Medikal görüntü işleme ve analizi birçok araştırma alanı ile geniş bir konudur. Medikal görüntüleme alanına uygulanabilecek evrensel bir görüntü işleme çözümü/yaklaşımı olmadığı için medikal görüntü işleme ile ilgili birçok farklı yapıya başvurulabilir. Bu arada, PACS alanlarından görüntü işleme ve görüntüleme bilişiminin birlikte çalıştığını da vurgulamak iyi olur; PACS ve görüntü işlemedeki gelişmelerin görüntü bilişimi üzerinde etkisi vardır. Medikal görüntüleme bilişimi, başlangıçta anlatılan dört aşamanın  altyapısı sayesinde gelişir. Görüntü veritabanlarındaki görüntü çalışması özetlenmesini, standartlaştırılmasını ve dolaşımını kapsayan görüntü bilgi yönetimi ile ilgili konulara ağırlık verilmektedir. Görüntüler ve görüntüleme çalışmaları klinik bir ortamda yalıtılmış olarak ele alınmaz ve ilgili yazılı bilgi, görüntüleme bilişimi altyapısı için önemlidir. Bu yazı, radyoloji raporlarına özel olarak dikkat çekerken serbest metin verisinin yapısallaştırılmasını ve standartlaştırılmasını, görüntüleme kaynaklarını içeren farklı veri kaynaklarının entegrasyonunu ve son olarak entegre edilmiş görüntünün ve ilgili verinin kullanıcıya özel görselleştirilmesini de kapsıyor. Bu yazı yukarıda bahsedilen son aşama  ile ilgili konulara değinmiyor.

Aşama 1 : Verinin elde edilmesi ve sunulması için yöntemlerin geliştirilmesi ile aşırı yüklenme engellenebilir

İlgili verinin sunumu bilginin aşırı yüklenmesini engellemek için gereklidir; bu  temel verinin etkin bir şekilde indekslenmesini gerektirir. Görüntü tarafında ise, bu aşama görüntü çalışmalarının özetlenmesi (yapı) ve standartlaştırılması ve içerik odaklı görüntü elde edilmesinin sağlanması için yöntemler geliştirilmesini gerektirir. Metin verisi mevcut durumda serbest metin biçiminde fazlasıyla bulunur; bu aşama serbest metnin yapısallaştırılması ve standartlaştırılmasını gerektirir. Bu alanlardaki araştırmalar şu alt başlıkları işaret etmektedir:

Görüntü Çalışmasının Özetlenmesi

Görüntüleme çalışmalarının büyük olması ve uzmanların anlamsal olarak yorumlaması gerekmesinden dolayı altyapı, aşırı yükleme olmaksızın verinin elde edilmesi ve sunumunu desteklemek için özellikle tıp görüntüleri için uygundur. Tıbbi görüntüleme; özellikle nörolojik ya da onkolojik koşullardaki hastaların sunum ve klinik bulgularının doğru şekilde belgelenmesi için hakim bir araç olmaya başlamaktadır. Bu durumda, veri görüntülemenin etkili yönetimi ve ilgili hasta bilgisi en önemli gereksinimlerdir. Tıbbi metin verisinin aksine, görüntülenen veri ek olarak farklı yönetim sorunu ortaya çıkarır (Veri kümelerinin büyüklüğü gibi); bu problemler kronik durumlardan dolayı (beyin tümörü ve gelişim gecikmesi gibi) devamlı sabit miktarda görüntüleme alınan hastalar için daha fazladır. Görüntüleme çalışmalarının içerikleri akıllıca yapılandırılmadığı ve düzenlenmediği sürece, kullanımları günümüzdeki çevre ve şirketlerden başka , tüm hekimlerin günlük kullanımında  (ilk yardım, nörologlar ve psikiyatristler) aksayacaktır. Büyük görüntüleme çalışmalarını az miktardaki görüntüye indirgeme yeteneği, kullanıcılara verileri etkin şekilde gösterme çabasının ilk adımıdır. ŞEKİL 1’de tıbbi kayıt ile görüntü birleşimindeki görüntü çalışmasının özetlenmesinin olası sonuçlarına, öğretici dosyaların otomatik oluşturulmasına, büyük sıkıştırma oranlarıyla kliniksel sıkıştırmaya, geçmiş görüntü verisinin görüntü ön işleme ve dijital kütüphane uygulamalarına dikkat çekilmektedir.

Gerçi günümüzde uygun görüntü özetlenmesinin gerekliliği belirtilmiş olsa dahi büyük ve karmaşık görüntü veri kümelerinin,  uzmanlar ve ilk yardım hekimlerine görüntü dağıtım gereksiniminin elde edilmesine öncülük eden görüntü teknolojisinde gelişme olmuştur. Bu yüzden, görüntü özetlenmesini gerçekleştirmek için değiştirilebilen veya yerini koruyan birkaç sistem vardır. Birçok ticari tanısal iş istasyonu, radyolog ve diğer hekimlerin bir çalışmadan el ile kilit görüntüler seçmesine izin veren özellikler taşımaktadır. El ile yapılan her işlemde olduğu gibi, bu eylem, hekimlerin iş akışını etkiler ve zaman alıcıdır. Görüntü ön işlemedeki yeni gelişmeler görüntü çalışmalarını almak için tıbbi / radyolojik bilgi ve yöntemler  sağlar, fakat bu gelişmeler görüntü çalışmasındaki anahtar görüntülerin seçilmesinde yaşanan problemi çözmez.

Geniş bir görüntü çeşitliliği üzerinde doğru çalışan bir otomatik bölme / sınıflandırma algoritması olsaydı, uygun görüntü tanımlama basit bir süreç olabilirdi; fakat böyle bir algoritma henüz geliştirilmemiştir. Birçok grup, bilgi tabanlı yaklaşım önermiştir, bu yaklaşım; nesne merkezli hiyerarşik planlama kullanarak kilit bölgeleri devre dışı bırakmakta ve bu yöntemle görüntü analizini kişiselleştirebilmektedir. Bu yaklaşım da sürece rehberlik edilebilmesi için uzmanın girdisini gerektirdiğinden manüel kalmaktadır. Görüntüleme bilişimi ve görüntü işleme literatüründeki bir araştırma; uygun görüntüleri (anormallik içeren görüntü dilimleri) yerleştirmek için değiştirilme olasılığı bulunan bir araştırmayı işaret eder. Bu araştırmada, araştırmacılar beyin simetri düzlemini belirlemiş ve çıkarılan “yarı-beyin”den alınan özellikleri, olası anormal dilimlerin yerini otomatik olarak belirlemek için kullanmıştır. Bu araştırmada görüntüleri sınıflandırma yeteneği açıkça gösterilmesine karşın, bu belirli yöntemin tam bir değerlendirilmesi henüz rapor haline getirilmemiştir.

Şekil.1 Görüntüleme çalışmalarının yapılandırılmasının olası yararları

Uygun Görüntü Seçimi için Radyoloji Raporu Entegrasyonu

Beyin MR çalışmaları hakkındaki belirli bir uygulama ile görüntü çalışmaları özetlemesi için yeni bir yöntem geliştirilmiştir. Bu yaklaşımla, serbest metinli radyoloji raporlarındaki uzman bilgisi ile hastanın görüntülerini etiketli beyin atlasına eşleştiren otomatikleştirilmiş kayıt algoritmasını birleştiriyor. Beyin atlası ile eşleştirme, çalışmadaki yapıların belirlenmesi sonucunu doğurur, öyle ki hasta görüntüleri etiketlenmiş sayılabilir. Doğal dil işlemcisi, uygun bulgular ve bunların yerlerinin belirlenmesini içeren ilgili metin raporlarından alınan yapılandırılmış bilgiyi çıkartır. Bu yapıları içeren dilimler, daha sonra atlas etiketli hastanın görüntülerinden tanımlanır. Bunun sonucunda; tüm çalışma esas alınarak uygun görüntülerin, tıpkı tüm çalışmaya ait veri grubunun anatomik etiketleri gibi, otomatik tanımlanması yapılır. Aynı zamanda, davranışsal bozukluklar gibi, sürekli standart biçimde yapılandırılmış işlevsel veri elde edilen klinik durumlar için, entegre olan ve yapılandırılmış biçimde elde edilen metin bilgisi inceliyoruz. Bu durum; taahhüt edilen mimaride geniş çeşitlilikte metin girdi biçiminin, yer alması için gerekli esnekliği arttırır.

Sürecin tamamını kapsayan mimari, ŞEKİL 2’de gösterilmiştir. Veri, biri metin verisi için diğeri görüntü verisi için olmak üzere iki kaynaktan işlenmiştir. Görüntü veri kaynağındaki ilk modül, araştırma belirleyicisi olarak adlandırılmıştır. Burada, hasta nüfus bilgilerindeki bilgi, görüntüleme yöntemi, anatomi, araştırma nedeni, görüntü geometrisi, ve elde edilme parametreleri, araştırmaların tıpta dijital görüntüleme ve iletişim (DICOM) başlıklarından elde edilmiştir. Bu bilgi, atlas ve görüntü bölme algoritmasının seçilmesi/ya da kişiselleştirilmesi için kullanılmaktadır (aşağıda). Atlas seçme modülü; hastanın yaşına, hastalık durumuna ve görüntüleme yöntemine göre uygun anatomik atlası seçer.

Şekil.2 Uygun görüntü seçim sisteminin mimarisi

Eşleştirme seçici, eşleştirme algoritmasının seçiminden sorumludur. Bilginin tabanı, uzmanlar tarafından tanımlı kuralları içerir, bu kurallar, kayıt algoritması seçimi ve güncel görüntüleme araştırması için tanımlanan optimum işleme parametreleri ile ilgidir. Kurallar; kayıt algoritmalarının yayınlanmış geçerleme araştırmalarını temel almaktadır ya da tipik klinik araştırmalar üzerinde yapılan, çalışan kayıt deneyleri ile belirlenmiştir. Eşleştirme, daha sonra bir önceki modülde seçilen algoritmayı (ve parametreleri) kullanan, kontur üreten modülün içinde gerçekleştirilir. Eşleştirme algoritmasının çıktısı, hasta görüntü veri grubu ve atlas uzayı arasındaki üç boyutlu dönüşümü belirleyen bir matristir. Bu matris, atlas için tanımlanmış konturlardan hasta görüntülerindeki yapıların yerlerini tahmin etmekte kullanılır. Görüntü elde etme geometrisi her dizi için bilindiğinden, dönüşüm matriksi aynı zamanda araştırmanın tüm görüntü dizilerindeki uygun yapıların belirlenmesinde kullanılabilir.  Bu modül aynı zamanda radyoloji raporundan (metin işleme modüllerinden elde edilen) alınan bulguların yer bilgilerine ilişkin dilimleri tanımlar. Metin verisi (radyoloji raporu), yapılandırılmış kareler seti üreten doğal dil işleyici (NLP) modülünün içinde işlenir. Her kare, belirli bir bulgu için rapor edilmiş özellik tanımlamalarını içerir. Görüntü içerik çıkarımına ait bulguların ilk konumlarını bulmak için konum özelliği gerekir. Doğal dil işlemcisi metinden konum bilgisini çıkarır ve bu bilgiyi mantıklı ilişkiler grubu olarak ifade eder. NLP modülünün çıktısı, haritacı olarak bilinir ve çıkarılan terimlerin standartlaşmış SNOMED-RT ya da UMLS gibi terminolojik karşılıklarını bulur. Her uygun yapı için, görüntü parçalayıcı ve özellik çıkarıcı modüller sırasıyla, konturları düzelterek, özellikleri hesaplar. Bu son iki modülün uygun görüntü seçiminde kullanımı isteğe bağlıdır, fakat işlemin tamamlanması için bulunmaktadır.

Uygun beyin görüntülerini seçeceği vaat edilen bu mimarinin belirli bir uygulaması, on tane görüntüleme araştırması için geçerlenmiştir. ŞEKİL.3’te beyin atlası görüntüleri, hasta görüntüleri ve yeniden dilimlenen görüntüleri gösteren kullanıcı ara yüzünün ekran görüntüleri verilmiştir. Sol alt paneldeki tablo, NLP bulgularını temel alan, yapılandırılmış raporun sonuçlarını içermektedir; çizilen sıra bu yapılardan birinin yanal teriminin değişimiyle tanımlanan ventrikül olduğunu göstermektedir. Haritacı, bu anatomik açıklamanın beyin atlasında sunulan denk terim karşılıklarının bulunmasına yardım eder. Atlas yapılarının listesinde bu yapıya denk gelenler tanımlanmış ve sağ alt panelde gösterilmiştir. Radyoloji raporu yanal ventrikül dışında hiçbir detay belirlemediği için, haritacı, atlasın içinde yanal ventrikülü içeren yedi yapı bulmuştur. ŞEKİL.3 aynı zamanda atlasta ve hastanın orijinal ve dilimlenmiş görüntülerinde tanımlanan bu yapıyı göstermektedir. Bu uygulama Woods ve diğerlerinin üç boyutlu eşleştirme yazılımını kullanmıştır ve olasılıklara bağlı olarak etiketlenen beyin atlası, ortalaması alınmış yüksek çözünürlüklü taslaktan alınmıştır, bu taslak  dokuz kişiden alınan üç boyutlu hacim verisini (256×256 matris, T1-ağırlıklı, SPGR sırası) esas almaktadır. Dilimler, yapıların %98’inde uzman olan otomatik algoritma tarafından tanımlanmıştır. Bu sonuçlar; büyük tümörler  ve organ parçalarına sahip hastaların bile dahil edilmesi sonucu, yapının kendisini bölmektense, yalnızca belirli dilimlerin yerinin belirlenmesine  çalıştığımızı kanıtlar. Bu çalışmada, yapının tam olarak bölünmesi, kesinlikle 12-parametre affine dönüşümünü genişletmek için esnek deformasyon metotlarının kullanımını gerektirir. Modalitelerin düzlük hatasızlığı, öznel 3-noktalık ölçeğe göre değerlendirilmiştir ve şu dağılıma sahiptir: 83 % (iyi kaplama), 12 % (orta kaplama) ve 5% (zayıf kaplama)

Şekil.3. Ekran görüntüsü sol atlası, hastayı (ortada), ve dilimlenmiş (sağ) hasta görüntülerini, üzerlerinde yanal ventriküller tanımlanmış şekilde gösterir. Bu yapıyı içeren görüntüler, değer aralıklarıyla her resmin altında gösterilmiştir.

3 Responses to “Medikal Görüntü İşleme I”

  1. yusuf özen says:

    Merak ettiğim nokta bu cümleler senin cümlelerin mi yoksa yorumlayarak çevirdiğin ingilizce bir makalenin karşılığı mı ? Gerçi yukarıda bir çalışmadan bahsetmiştin ama emin olamadım. anlaşılması güç uzun metinler. ama yine de faydalı. ben şu an görüntü işleme üzerine çalışıyorum ve elimde belirli hastalara ait komple beden tomografileri (CT) ler var. ve bunlar DICOM görüntü formatında kayıtlı. ama benim ilgilendiğim kısım sadece akciğer olduğu için bu beden tomografisinden belirli kesitleri kullanmak istiyorum. bunları da dicom görüntüyü teker teker resime aktarmadan yapmam imkansız gibi duruyor. eğer verileri sınıflandırmanın senin anlattığın gibi bir metodu olsaydı heralde bu kadar uğraşmam gerekmezdi. belki de bahsettiğin algoritma bir doktora konusu olabilir. şimdiden kafama girdi.. paylaşımın için teşekkürler :)

  2. Yusuf merhaba,
    Yazida bahsettigim makaleyi kendi yorumlarimla aktarmaya calistim. Goruntu isleme ile ilgilenmeye baslaman mutluluk verici, firsatin olur da Ankara’ya yolun duserse ofise bekleriz belki calismalarinda yardim etme veya yonlendirme firsatimiz olur. CT uzerinden Akciger veya benzeri bir organ yapisina ulasabilmen icin Hounsfield unit konusuna bakmanda fayda var. Bizim DICOM Viewer’imizda bu tarz doku goruntulerini olusturabiliyoruz. Istersen bizim programin bedava bir surumunu calismalarinda kullanabilirsin (tabii akademik kullanim amacli :))bunun icin iletisime gecmen yeterli.
    Kendine iyi bak,
    Kerem

Leave a Reply