Tez No	İndirme	Tez Künye	Durumu
290153		Önsel bilgi kullanılarak tıbbi görüntülerde makine öğrenmesi tabanlı kontur bulma ve nesne konumlandırma / Machine learning based object localization and contour extraction in medical images with prior information Yazar:AYŞE BETÜL OKTAY Danışman: DOÇ. DR. YUSUF SİNAN AKGÜL Yer Bilgisi: Gebze Yüksek Teknoloji Enstitüsü / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2011 118 s.
Bilgisayarla görmenin temel problemlerinden olan nesne saptama ve nesnenin konturlarını bulma, önsel bilginin eklenmesi ile daha başarılı sonuçlar üretmektedir. Literatürde, bilgisayarla görme metotlarına birçok önsel bilgi ekleme yaklaşımı sunulmasına rağmen, farklı türlerdeki önsel bilgileri bir araya getirebilen, çok gürültülü ve problemli kısımların olduğu imgelerde çalışan etkili ve verimli yöntemler çok nadirdir.Bu tezde, çeşitli tıbbi imgeler için nesne saptama ve kontur bulma işlemlerini farklı önsel bilgilerin eklenmesi ile gerçekleştiren makine öğrenmesi tabanlı yöntemler sunulmuştur. Sunulan yöntemlerde, önsel bilgi hiyerarşik bir şekilde lokal ve global olarak ayrılmıştır. Böylece farklı tiplerdeki bilgileri ekleyerek daha verimli, modüler ve etkin bir şekilde nesne saptama ve kontur bulma işlemlerini gerçekleştirmek amaçlanmıştır.Geliştirilen ilk yöntem, global şekil ve imge bilgisi ile ekokardiyogramlardan ve kalp MR imgelerinden iç ve dış sol karıncık konturlarını bulmaktadır. Geliştirilen diğer bir yöntem ise kalp duvarının hareketi, görünüş ve uzaklık gibi çeşitli lokal önsel bilgilerle, sol karıncığın geometrik şeklini birleştirerek ekokardiyogramlardan kontur bulmaktadır. Bir başka yöntem de, bel omurga MR imgelerinden lomber omurlar arasındaki disklerin konumlandırılması için geliştirilmiştir. Bu yöntem, disklerin lokal özellikleri ile lomber eğrinin global şeklini birleştirmektedir. Son olarak, MR kalp imgelerinden sol karıncığın yeri bulunmuş ve kalp duvarlarını gösteren skor imgeleri oluşturulmuştur.Geliştirilen yöntemlerin etkinliği, gerçek tıbbi imgeler ve sentetik imgeler kullanılarak gösterilmiştir. Ayrıca, önsel bilgi kullanmayan metotlarla da deneyler gerçeklenmiş ve geliştirilen metotların çok daha başarılı olduğu gösterilmiştir.
Object localization and contour extraction, which are two major problems of computer vision, produce improved and more successful results with the incorporation of prior information. Although there are many prior incorporation methods in the literature, methods that bring different types of priors together and run even in very noisy and problematic images are very rare.In this dissertation, a number of machine learning based methods for the incorporation of different priors into object localization and contour extraction for different types of medical images are presented. In the methods, the prior knowledge is hierarchically classified as local and global priors. By the incorporation of different types of priors, it is intended to make more efficient, modular, and effective object detection and contour extraction process.The first proposed method extracts the inner and outer left ventricle borders from echocardiograms and cardiac MR images by employing global shape and image information. A second proposed method brings different types of information like the cardiac motion, appearance, and distance together and detects the left ventricle borders from echocardiograms. Another method is developed to localize discs between the lumbar vertebra with the incorporation of local features of discs and global shape of lumbar curve. Finally, a method that localizes the left ventricle in MR images is developed. Also, score images that show the cardiac borders are generated.The effectiveness of the developed methods is validated on real medical images and synthetic images. Also, experiments are performed with the methods that do not use prior information and the success of the proposed methods is demonstrated.