Tez No	İndirme	Tez Künye	Durumu
479668		Çizge tabanlı MR görüntüsü çakıştırma / Graph based MR image registration Yazar:ASLI ERGÜN Danışman: YRD. DOÇ. DR. CENGİZ GÜNGÖR ; YRD. DOÇ. DR. MEHMET ZÜBEYİR ÜNLÜ Yer Bilgisi: Ege Üniversitesi / Fen Bilimleri Enstitüsü / Uluslararası Bilgisayar Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology ; Biyoistatistik = Biostatistics Dizin:Sayısal görüntü işleme = Digital image processing	Onaylandı Doktora Türkçe 2017 172 s.
Bu tez çalışmasında çizge tabanlı medikal görüntü çakıştırma yöntemleri farklı öznitelik, optimizasyon ve benzerlik ölçütleri kullanılarak kapsamlı bir şekilde incelenmiştir. Bunun yanında, çizge üzerinde ortak ilgi haritası ağırlıklı ortogonal regresyona dayalı yeni bir benzerlik ölçütü de önerilmektedir. Önerilen benzerlik ölçütü, entropik çizge üzerinde oluşturulan ortogonal regresyon artık değerlerinin ortak ilgi haritasındaki ağırlıklı toplamlarının alınmasıyla ifade edilir. Bu ölçütün, performans doğrulaması için kapsamlı bir karşılaştırma yapılmıştır. Bu çalışmada, medikal görüntü çakıştırma yöntemleri, üç farklı kapsamda incelenmiştir. Bunlar, farklı öznitelik ile benzerlik ölçütleri kullanımı ve uygun dönüşüm parametrelerini bulan farklı optimizasyon yöntemlerinin denenmesidir. Öznitelik seçiminde, entropik çizge oluşturulurken kullanılacak nokta seçimleri farklı yöntemlerle araştırılmaktadır. Benzerlik ölçüt seçiminde ise, çakıştırma işleminde kullanılacak referans ve test görüntülerinin birbirine ne kadar benzediği oluşturulan entropik çizgeler yardımıyla araştırılmaktadır. Son olarak, referans ve test görüntülerinin çakıştırılmasında uygun dönüşüm parametrelerini bulmaya yönelik optimizasyon yönteminin belirlenmesi için farklı yöntemler incelenmiştir.
In this thesis, graph-based medical image registration methods were reviewed. Additionally a new similarity measure based on the joint saliency map weighted orthogonal regression on the graph is proposed. The proposed similarity measure is expressed as the sum of the joint saliency map weighted values with ortogonal residuals (errors) over the generated entropic regression line. Many comprehensive comparisons are made for the validation of his measure. While making medical image registration, the used graph structures were examined in three different ways: feature selection, similarity measure and transformation parameters optimization. In feature selection, while creating entropic graph, minimal points expressing the image were located. In similarity measure criteria, in image registration, how much reference and test image were resembled to each other with the created entropic graphs are measured. Finally, in optimization selection criteria, in order to register reference and test images, methods for finding the transformation have been searched and the most appropriate ones are defined.