Tez No	İndirme	Tez Künye	Durumu
371593		Tıbbi görüntülerin uyarlanabilir bölge genişletme algoritması ile analizi / Analysis of medical images with adaptive region growing algorithm Yazar:MÜRSEL OZAN İNCETAŞ Danışman: PROF. DR. HÜSEYİN GÜÇLÜ YAVUZCAN ; DOÇ. DR. RECEP DEMİRCİ Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Endüstriyel Teknoloji Eğitimi Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2014 142 s.
Görüntülerin ayrıştırılması konusu, sayısal görüntü işlemenin en önemli adımlarından biridir. Ayrıştırma, bir görüntünün kendisini oluşturan alt bölgelere ayrılması işlemidir. Mevcut yöntemlerin hesapsal karmaşıklıkları, kullanıcıya bağımlılıkları ve sabit parametreleri, sürecin performansını etkilemektedir. Bu çalışmada kullanıcı müdahalesinin tamamen ortadan kaldırıldığı, benzeşim görüntüsü ve graf tabanlı otomatik bir görüntü ayrıştırma algoritması geliştirilmiştir. Ayrıştırma algoritması, maske tabanlı etiketlemeye dayandırılmış ve hesapsal maliyet azaltılmıştır. Geliştirilen yöntem çekirdekli bölge genişletme (Seeded Region Growing: SRG) yaklaşımı ile birlikte kullanılarak, başarılı sonuçlar elde edilmiştir. Ancak kullanılan maskenin yapısından dolayı, fazladan ayrıştırma problemi ile karşılaşılmıştır ve problemin çözümü için geçişli kapanış esaslı bir bölge birleştirme yaklaşımı önerilmiştir. Önerilen bölge birleştirme yaklaşımı, mevcut yaklaşımlardan farklı olarak hem rekürsifliği ortadan kaldırmış, hem de birleştirme işlemini simetrik hale getirmiştir. Renkli görüntülerin otomatik olarak ayrıştırılması için önerilen yöntem, Benign Prostatic Hyperplasia (BPH)'li prostat biyopsisi (PB) örneklerinin ayrıştırılmasına olanak sağlayacak şekilde iki aşamalı olarak düzenlenmiştir. İlk aşamada PB görüntülerindeki doku ve arkaplan ayrımı yapılmıştır. Arkaplan çıkartım işlemi için kullanılan geleneksel eşikleme yöntemlerinin, homojen ışık dağılımına sahip olmayan görüntülerde istenilen ayrımı yapmakta başarısız olabildikleri gözlenmiştir. Arkaplan ve doku bölgelerinin doğru şekilde ayrıştırılabilmesi için geliştirilen ve kullanıcıdan bağımsız olan yöntem, oldukça başarılı şekilde çalışmış ve ortalama olarak %99'un üzerinde doğrulukla doku bölgelerini belirlemiştir. İkinci aşamada ise doku bölgelerinin içerisindeki glandüler alanlar belirlenmiştir. Glandüler alan/doku oranını belirlemek için önerilen yöntem ile %92,50 doğruluğunda sonuçlar elde edilmiştir.
The issue of image segmentation is one of the most important steps in digital image processing. Segmentation is procees of separating of an image into sub-region. Computational complexity, user dependency and fixed parameter requirements of existing methods affect performans of process. In this study, a novel automatic image segmentation algorithm based on similarity image and graph which completely elimitanes user intervention has been developed. Segmentation algorithm depends on mask-based labelling. Accordingly computational cost has been reduced. Successful results have been obtained by combining the developed method with Seeded Region Growing (SRG) approach. However, over-segmentation problem has been encountered due to the structure of the mask used. Region merging approach using transitive closure has been proposed to solve the over-segmentation problem. Proposed region merging approach, unlike existing approaches, has eliminated recursion and made the merging process symmetrical. Suggested automatic segmentation strategy has been applied to prostate biopsy (PB) samples related to benign prostatic hyperplasia (BPH). As the first stage, tissue and background separation were performed in PB images. Traditional background extraction methods produced unsatisfactory results for images with non-homogeneous light distribution. On the other hand, it has been observed that devised user independent technique extracted background and tissue areas with an accuracy rate of over %99. In the second stage, the ratio of glandular areas in tissue region has been determined with %92,50 accuracy.