Medikal görüntülerde ilgi duyulan bölge analizi ve yeni paralel sıkıştırma yöntemi geliştirilmesi

Abstract

Dijital medikal görüntüler, sağlık hizmetlerinin her aşamasında yaygın şekilde kullanılmaktadır. Bu medikal görüntüleri aktarmak ve depolamak tıbbi uzmanlar ve hastalar için hayati role sahiptir. Gün geçtikçe artan büyük dosya boyutları ve depolama alanı gereksinimleri nedeniyle görüntü sıkıştırma bir zorunluluk haline gelmiştir. Görüntünün tamamını sıkıştırmak yerine, ilgi alanını (region-of-interest - ROI) sıkıştırmak bu alanda alternatif bir seçenektir. Tüm görüntüye kayıpsız sıkıştırma yöntemleri uygulanması yeterli avantaj sağlamaz, ancak, kayıplı teknikler kullanıldığında da tıbbi görüntünün hayati öneme sahip bilgileri kaybolabilir. Bu tezde ROI ve Optik Karakter Tanıma (Optical Character Recognition - OCR) temelli yeni bir tıbbi görüntü arşivleme sistemi uygulaması önerilmiştir. Ayrıca, daha iyi sıkıştırma oranı ve performansı üretmek üzere özel olarak tasarlanmış yeni bir dinamik dosya yapısı kullanılmıştır. Medikal görüntü ROI ve non-ROI olmayan kısımlara ayrılmıştır. Medikal görüntünün ROI bölümüne kayıpsız sıkıştırma algoritması olan JPEG-LS uygulanmış, OCR ve Huffman kodlama algoritmaları ise görüntünün non-ROI kısmı için kullanılmıştır. Geliştirilen yöntem gerçek hastaya ait beyin MR görüntüleri kullanılarak değerlendirilmiş ve görüntünün non-ROI bölümü için elde edilen sıkıştırma oranı %92,12 ile %97,84 olarak tespit edilmiştir. Önerilen yöntem ile literatürdeki son teknoloji arasındaki ortalama fark ROI dışı kısım için %83,80 tespit edilmiştir. Sonuç olarak, önerilen yöntem medikal görüntü arşivleme problemine entegre bir çözüm sunmaktadır. Çalışmanın ikinci aşamasında, Hadoop tabanlı MapReduce programlama modelini kullanan bir platform geliştirilmiştir. Platformun performans gereksinimlerini karşılamak için NoSQL veritabanı olan MongoDB kullanılmıştır. Dört düğümlü bir Hadoop kümesi platforma kurulmuştur. Bulut tabanlı çalıştırılan algoritmalar, tek düğümden daha verimli veri işleme yetkinliğine sahiptirler. Platformun performansını doğrulamak için aynı test görüntüleri kullanılmıştır. Test görüntülerinin işlenmesi tek bir düğüm üzerinde 15,599 saniye sürmektedir, ancak bulut tabanlı geliştirilen platformda bu değer 8,153 saniye olarak tespit edilmiştir. Sonuç olarak çalışmanın bu kısmında önerilen yöntem medikal görüntü arşivleme problemine bulut tabanlı bir çözüm sunmaktadır.

Digital medical images have been widely used in all stages of healthcare. It has a vital role to transfer and to store digital medical images for medical experts and patients. Since the large file sizes and storage space requirements, image compression has become a necessity. Instead of compressing the entire image, it is an option to compress the region of interest (ROI). Applying lossless methods to the whole image does not provide a sufficient advantage, however, when lossy techniques are used, the vital information of the medical image may be lost. In this dissertation, a novel medical image archiving system implementation based on ROI and Optical Character Recognition (OCR) is proposed. Besides, a new dynamic file structure was used that was specially designed to produce better compression ratio and performance. The medical image is separated into the region of interest (ROI) and the non-ROI parts. JPEG-LS, a lossless compression algorithm, is applied to the ROI segment of the medical image. The OCR and Huffman coding algorithm is used for the non-ROI part of the image. The developed method was evaluated using medical images of the actual patient and the produced compression ratio for the non-ROI image is between 92.12% and 97.84%. The average difference between the developed method and the state-of- art in the literature is 83.80% for the non-ROI part. In conclusion, the proposed method provides an integrated solution to the medical image archiving problem. In the second phase of the study, Hadoop developed a platform that uses the MapReduce programming model. MongoDB, a NoSQL database, has been used to satisfy performance requirements of the platform. A four-node Hadoop cluster has been built to the platform. The algorithms that run on promise more efficient data processing than the single node. The actual patient brain MR images have been used to validate the performance of the platform. The processing of test images takes 15,599 seconds on a single node, but on the developed platform this takes 8,153 seconds. In conclusion of this part of the dissertation, the proposed method provides a cloud-based integrated solution to the medical image archiving problem.