Tez No	İndirme	Tez Künye	Durumu
479770		Otomatik gürbüz bölütleme ile uyluk MR imgelerinde kas ve yağ miktarlarının belirlenmesi / Quantification of muscle and fat volumes in the thigh MR images using automatic robust segmentation Yazar:İSMAİL IRMAKÇI Danışman: PROF. DR. AYDOĞAN SAVRAN ; YRD. DOÇ. DR. ULAŞ BAĞCI Yer Bilgisi: Ege Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği 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:	Onaylandı Doktora Türkçe 2017 146 s.
Farklı vücut bölgelerinde doku ayrıştırması (yağ/kas), özellikle uyluk bölgelerinde, şu anda sarkopeni, şeker hastalığı gibi birçok hastalık için potansiyel risk faktörleri olarak araştırılmaktadır. Ayrıca, uyluk bölgelerinde doku parçalanması, yaşlanmanın kesin olarak belirlenmesinin habercisi olarak düşünülmektedir. Manyetik Rezonans Görüntüleme (MRG), mükemmel yumuşak doku kontrastı sağlaması ve iyonlaştırıcı radyasyon içermemesi nedeniyle bu gibi görevlerin çoğunda tercih edilen bir yöntemdir. Bununla birlikte, yağ/kas ayrımı, MRG'nin benzersiz zorlukları ve çeşitli doku türleri arasındaki büyük çakışmalar nedeniyle hala zor bir görevdir. Bu çalışmada, yağ ve kasları yüksek doğruluk ve etkinlikle ayırırken, değişken homojen olmama, standart olmama durumları ve gürültü gibi MRG'nin tüm potansiyel zorluklarını göze alan, tamamen otomatikleştirilmiş, veri odaklı bir imge bölütleme platformu önerilmektedir. Literatürdeki diğer ilgili yaklaşımların aksine, tek bir bölütleme çerçevesinde çoklu kontrastlı MRG imgeleri kullanılmaktadır. Ön işleme ve çizim stratejileri, kullanıcı müdahalesine ve yeniden parametrelere ihtiyaç duymadan kesintisiz bir şekilde birleştirilmektedir. Önerilen tanımlama algoritması, bulanık bağlılık (BB) imge bölütleme ailesinde yeni bir yakınlık fonksiyonuna dayanmaktadır. Bütün sistemi tamamen otomatik hale getirmek için aynı anda tanımlama algoritmasını başlatan çoklu MR imgelerinden arka plan ve ön plandaki ipuçlarını örnekleyen yakınlık yayılım kümeleme algoritması benimsenmektedir. Önerilen algoritmanın ayrı adımlarının kapsamlı bir şekilde değerlendirilmesi ve literatürdeki farklı yaklaşımlarla karşılaştırması yapılmaktadır. Önerilen sistem hem hassasiyet hem de etkinlik bakımından en güncel bölütleme yaklaşımlarından daha iyi bir performans göstermektedir.
Tissue decompositions (fat/muscle) in different body regions, specifically in thigh regions, are currently being explored as potential risk factors for many diseases including sarcopenia, diabetes. Besides, tissue decomposition in thigh regions is considered as a precursor for precise determination of aging. Magnetic Resonance Imaging (MRI) is the modality of choice in most of such tasks due to its excellent soft tissue contrast along with the lack of ionizing radiation. However, fat/muscle separation is still a challenging task due to the unique challenges of MRI and large overlaps between various tissue types. In this study, we propose a fully automated, data-driven image segmentation platform that takes into account all potential pitfalls of MRI such as varying inhomogeneity, non-standardness, and noise, while separating fat and muscle with high accuracy and efficiency. In contrast to other relevant approaches in the literature, we utilize multicontrast MRI images within a single segmentation framework. Preprocessing and delineation strategies are combined seamlessly without a need for user intervention and reparameterization. The proposed delineation algorithm is based on a novel affinity function within the fuzzy connectivity (FC) image segmentation family. In order to make the whole system fully automated, we adapt affinity propagation clustering algorithm to sample background and foreground cues from multiple MR images that simultaneously initiate delineation algorithm. We perform thorough evaluation of the proposed algorithm's individual steps as well as comparison with different approaches from the literature. The proposed system outperforms the state-of-theart segmentation approaches both in accuracy and efficiency.