Tez No	İndirme	Tez Künye	Durumu
313784		Automatic bayesian segmentation of human facial tissue using 3D MR-CT fusion by incorporating models of measurement blurring, noise and partial volume / İnsan yüz dokularının bulanıklaşma, gürültü ve kismı hacim modelleri içeren bayesçi 3D MR-CT görüntü birleşmesi yöntemi kullanılarak otomatik bölütlenmesi Yazar:EMRE ŞENER Danışman: DOÇ. DR. ERKAN MUMCUOĞLU ; DOÇ. DR. UTKU KANOĞLU Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Mühendislik Bilimleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Bilgisayarlı tomografi = Computed tomography ; Manyetik rezonans görüntüleme = Magnetic resonance imaging	Onaylandı Doktora İngilizce 2012 118 s.
Tıbbi görüntülerde insan kafasının bölütlenmesi tıbbi teşhis, yüz ameliyatı planlaması, protez tasarımı ve adli tıpta kimlik teşhisi gibi geniş bir yelpazeye yayılan uygulamalarda önemli bir işlemdir. Bu çalışmada, yüzdeki dokuların bölütlenmesi için yeni bir Bayesçi yöntem sunulmaktadır. Kullanılacak bölütleme sınıfları kas, kemik, yağ, hava ve deri olarak belirlenmiştir. Yöntem, görüntü alımında oluşan görüntü bozulma modeli, gürültü azaltmaya yardımcı önsel bilginin yanı sıra, kısmi hacim modeli de içermektedir. Eşyönlü ve yönsel Markov Rasgele Alanı önsel bilgilerine dayalı bölütleme düzenlemesi yönteme dahil edilmiştir ve bölütleme doğruluğu üzerindeki etkileri araştırılmıştır. Bayesçi modeli görüntünün her vokselindeki doku sınıfını verecek şekilde yinelemeli olarak çözülmüştür. Model kombinasyonlarını açıp kapatarak ana yöntemin alt yöntemleri elde edilmiştir. Alt yöntemlerin denemesi tek modalitede üç-boyutlu (3B) görüntüler ve birbirine çakıştırılmış çoklu-modalitede 3B görüntülerde (Manyetik Rezonans ve Bilgisayarlı Tomografi) yapılmıştır. Yöntemlerin sayısal, görsel ve istatistiksel analizi sunulmuştur. Önerilen görüntü modelleriyle ve çoklu modalite veri kullanımıyla bölütleme doğruluğu iyileştirilmiştir. Ayrıca yöntemler daha önceki bir çalışmada sunulan Level Set ve adaptif Bayesçi bölütlemeleriyle karşılaştırılmıştır.
Segmentation of human head on medical images is an important process in a wide array of applications such as diagnosis, facial surgery planning, prosthesis design, and forensic identification. In this study, a new Bayesian method for segmentation of facial tissues is presented. Segmentation classes include muscle, bone, fat, air and skin. The method incorporates a model to account for image blurring during data acquisition, a prior helping to reduce noise as well as a partial volume model. Regularization based on isotropic and directional Markov Random Field priors are integrated to the algorithm and their effects on segmentation accuracy are investigated. The Bayesian model is solved iteratively yielding tissue class labels at every voxel of an image. Sub-methods as variations of the main method are generated by switching on/off a combination of the models. Testing of the sub-methods are performed on two patients using single modality three-dimensional (3D) images as well as registered multi-modal 3D images (Magnetic Resonance and Computerized Tomography). Numerical, visual and statistical analyses of the methods are conducted. Improved segmentation accuracy is obtained through the use of the proposed image models and multi-modal data. The methods are also compared with the Level Set method and an adaptive Bayesian segmentation method proposed in a previous study.