Öz
Bu çalışmanın amacı, Matrix
Laboratory (MATLAB) programı ile görüntü işleme ve analizi yönteminin sağlık
alanında kullanılabilirliğini değerlendirmektir. Gelişen teknoloji ile birlikte
modern cihazların sağlık alanında kullanımı artmıştır. Buna paralel olarak son
zamanlarda tıpta görüntü işleme tekniklerinin kullanımı da yaygınlaşmaya
başlamıştır. Bu teknikler hekimlere zaman, maliyet, tedavi ve teşhis konusunda
büyük kolaylık sağlamaktadır. Özellikle pediatrik olgularda doğumsal ya da
travmatik katarakt cerrahisi öncesi göz içi merceği ölçümü için görüntü işleme
teknikleri hekimlere yol gösterici olabilir. Ayrıca mental retardasyonda (zekâ
geriliği durumu) ya da Alzheimer hastalarında katarakt cerrahisi öncesi optik
biyometri zor olabilir. Bu tür hastalarda başka nedenlerle çekilen Manyetik
Rezonans (MR) görüntülerinden göz içi mercek gücü ölçümü için MATLAB programı
kullanılabilir. Görüntü işleme genel olarak resimsel bilgilerin analizine
yönelik bir yöntem olarak tanımlanabilir. Bu çalışmada, MATLAB programının
görüntü işleme sürecinin sağlık alanında kullanılabilirliğini değerlendirmek
amacıyla Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Göz Hastalıkları
Anabilim Dalı’na 08/03/2015-08/05/2016 tarihleri arasında başvuran hastalardan
rutin göz muayenesi pratiğinde Orbita MR endikasyonu olan hastalar çalışmaya
dâhil edilmiştir. Bu hastalar üzerinde Göz Hastalıkları Anabilim Dalı’nda optik
biyometri çalışılmıştır. Eskişehir Osmangazi Üniversitesi Tıp Fakültesi
Radyoloji Anabilim Dalı’nda ileri görüntüleme işlemlerinin yapıldığı Advantage
Workstation’da (AW) aynı hastalar üzerinde bulbus oküli çap değerlendirmesi
yapılmıştır. GE 750w 3T MR cihazı kullanılarak elde edilen MR görüntüleri
üzerinde Codonics Clarity Viewer programı, MATLAB programı ve Lenstar cihazı
kullanılarak Ön Kamara Derinliği (ÖKD), Lens Kalınlığı (LK) ve Aksiyel Uzunluk
(AU) hesaplamaları yapılmıştır. Üç farklı teknikle hesaplanan bu ölçümler
istatistiksel yöntemler ile karşılaştırılmıştır. Karşılaştırmalar sonucunda;
MATLAB bulguları ile Lenstar bulguları arasında anlamlı bir fark bulunmamıştır
(AU için p=0.342, ÖKD için p=0.091, LK için p=0.766). Ayrıca, MATLAB’e ait
medyan (Q1-Q3) bulgularının Codonics Clarity Viewer bulgularına kıyasla Lenstar
bulgularına daha yakın olduğu görülmüştür. (AU: 23.06 (20.90-23.93), ÖKD: 3.11
(2.65-3.31), LK: 4.16 (3.85-4.31)). Bland-Altman grafiklerine göre Lenstar ile
MATLAB ölçümleri arasında uyum olduğu görülmüştür (AU için ortalama fark 0,29
mm (%95 GA, -0,78 ile 1,36), ÖKD için ortalama fark 0,28 mm (%95 GA, -0,83 ile
1,36), LK için ortalama fark 0,40 mm (%95 GA, -2,20 ile 3,00)). MATLAB
programının Lenstar cihazı ile yakın sonuçlar vermesi bu yöntemin optik
biyometri yapmanın zor olabileceği olgularda yardımcı bir yöntem olabileceğini
düşündürmektedir. Ayrıca, Lensin aşırı şeffaf olduğu olgularda Lenstar ile
ölçüm yapılamayabilirken MATLAB ile yapılabilir.
Anahtar Kelimeler
görüntü işleme görüntü analizi MATLAB optik biyometri ön kamara derinliği lens kalınlığı aksiyel uzunluk.
Kaynakça
- 1. McAndrew, A. (2004). An introduction to digital image processing with matlab notes for scm2511 image processing. School of Computer Science and Mathematics, Victoria University of Technology, 1-43.
- 2. Rosenfeld, A. (1969). Picture processing by computer. ACM Computing Surveys (CSUR), 1(3), 147-176.
- 3. Hornak, J. P. (1997). The Basics of MRI. Rochester Institute of Technology.
- 4. The MathWorks Inc., (2015). Image Processing Toolbox™ User's Guide. 1-40.
- 5. IBM, (2012). IBM SPSS 21, IBM Licensed material. http://www.ibm.com/ spss.
- 6. MedCalc, (2016). MedCalc Software 16.4.3, MedCalc Licensed material. http://www.medcalc.org.
- 7. Gursoy, H., Sahin, A., Basmak, H., Ozer, A., Yildirim, N., & Colak, E. (2011). Lenstar versus ultrasound for ocular biometry in a pediatric population.Optometry & Vision Science, 88(8), 912-919.
- 8. Russ, J. C. (1999). The image processing handbook. CRC press, ISBN:0-8493-2532-3, 10-270.
- 9. Demirkaya, O., Asyali, M. H., & Sahoo, P. K. (2009). Image processing with MATLAB: applications in medicine and biology. CRC Press, 18-67.
- 10. Gonzalez, R. C., Woods, R. E., & Eddins, S.L. (2004). Digital Image Processing using MATLAB. Pearson Prentice Hall, 6s.
- 11. Aytan, A. E., Öztürk, Y., ve Örgev, E. K. (1993). Görüntü İşleme. İstanbul Üniversitesi Diş Hekimliği Dergisi, 273s.
- 12. Weeks, A. R. (1996). Fundamentals of electronic image processing. Bellingham: SPIE Optical Engineering Press, ISBN 0-8194-2149-9, 316-414.
- 13. Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. Lancet;1: 307–10.
- 14. Sanchez, C. I., Hornero, R., Lopez, M.I., Aboy, M., Poza, J., & Abosolo, D. (2008). A Novel Automatic Image Processing Algorithm For Detection Of Hard Exudates Based On Retinal Image Analysis. Medical Engineering & Physics, 30(3), 350-357.
- 15. Goldsmith, J. A., Li, Y., Chalita, M. R., Westphal, V., Patil, C. A., Rollins, A. M., Izatt, J. A., & Huang, D. (2002). Anterior Chamber Width Measurement by High-Speed Optical Coherence Tomography. Florida: Ophthalmology, 112(2), 238-244.
- 16. Koprowski, R., Wilczyński, S., Olczyk, P., Nowińska, A., Węglarz, B., & Wylęgała, E. (2016). A Quantitative Method for Assessing The Quality of Meibomian Glands. Computers in Biology and Medicine, 75, 130-138.
- 17. Koprowski, R., Ambrósio, R. Jr., & Reisdorf, S. (2015). Scheimpflug Camera in The Quantitative Assessment of Reproducibility of High-Speed Corneal Deformation During Intraocular Pressure Measurement. Journal of Biophotonics, 8(11-12), 968-978.
- 18. Koprowski, R., Nowińska, A., Wylęgała, E., & Wróbel, Z. (2014). A new Algorithm and Problems in Automatic Anterior Eye Chamber Volume Determining. Computers in biology and medicine, 52, 144-152.
- 19. Li, JJ., Xu, L., Sun, B. C., Chen, Y. J., & Ma, K. (2003). [The Application of Digital Photography with Retroillumination for Lens in Cataract Study]. [Zhonghua yan ke za zhi] Chinese journal of ophthalmology, 39(5), 278-282.
- 20. Kasprzak, H., & Boszczyk, A. (2016). Numerical Analysis of Corneal Curvature Dynamics based on Corvis Tonometer Images. Journal of biophotonics, 9(5), 436-444.
- 21. Ramasubramanian, V., & Glasser, A. (2015). Distortion Correction of Visante Optical Coherence Tomography Cornea Images. Optometry & Vision Science,92(12), 1170-1181.
- 22. Demir, Ö. (2006). MATLAB Gereçleri İle Görüntü İşleme Uygulamaları (Yüksek Lisans Tezi). Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2-7.
- 23. http://www.ootech.nl/shop/diagnostiek/biometrie/haag-streit-ls-900.html (Erişim Tarihi: 26.03.16)
Öz
The purpose of this study is to
evaluate the use of image processing and analysis with the Matrix Laboratory
(MATLAB) program in the field of healthcare. Use of modern devices has
increased in healthcare field with the improving technology. Likewise, use of
image processing techniques in medicine has started to spread recently. These
techniques provide great convenience for physicians in terms of time, cost,
treatment and diagnosis. Especially in pediatric cases, image processing
techniques could be a guide for physicians for the measurement of intraocular
lenses before congenital or traumatic cataract surgery. Furthermore, optical
biometry may be difficult before cataract surgery in mental retarted or
Alzheimer patients. In such patients, Matrix Laboratory (MATLAB) can be used for
intraocular lens power measurement from magnetic resonance (MR) images taken
for other reasons. Image processing can be generally defined as a method of
analyzing pictorial information. In this study, in order to evaluate the
usability of image processing with MATLAB program in healthcare field, those who have Orbital MRI indication in
routine eye test practice among the patients applied to Eskişehir Osmangazi
University, Medical Faculty, Department of Ophthalmology between 08/03/2015 and
08/05/2016, were included in the study. Optical biometry was performed on these
patients in the Department of Ophthalmology. Bulbus oculi diameter evaluation
was made on the same patients in Advantage Workstation (AW), where advanced
imaging procedures were performed, in Eskişehir Osmangazi University, Medical
Faculty, Department of Radiology.
Anterior Chamber Depth (ACD), Lens Thickness (LT) and Axial Length (AL)
calculations were made via Codonics Clarity Viewer program, MATLAB program and
Lenstar device on MR images obtained by using GE 750w 3T MR device. These
measurements calculated with three different methods were compared using
statistical methods. According to the analysis results, difference of between
MATLAB results and Lenstar results are not significant statistically (p=0.342
for AL, p=0.091 for ACD, p=0.766 for LT). In addition, it was observed that
MATLAB results were closer to optical biometry results compared to Codonics
Clarity Viewer results (23.06-20.90-23.93 for AL, 3.11-2.65-3.31 for ACD,
4.16-3.85-4.31 for LT). According to the Bland-Altman plots, it was found that
MATLAB measurements were in agreement with Lenstar measurements (mean
difference for the AL is 0,29 mm (%95 CI, -0,78 to 1,36), mean difference for
the ACD is 0,83 to 1,36), mean difference for the LT is 0,40 mm (%95 CI, -2,20
to 3,00)). The fact that MATLAB pro,28 mm (%95 CI, -0gram has close results
with Lenstar device suggests that this method can be an auxiliary method for
cases in which optical biometry may be difficult. Furthermore, extreme
transparent lens cannot be measured by Lenstar device, but MATLAB program can
measure the lens.
Anahtar Kelimeler
image processing image analysis MATLAB optical biometry anterior chamber depth lens thickness axial length
Kaynakça
- 1. McAndrew, A. (2004). An introduction to digital image processing with matlab notes for scm2511 image processing. School of Computer Science and Mathematics, Victoria University of Technology, 1-43.
- 2. Rosenfeld, A. (1969). Picture processing by computer. ACM Computing Surveys (CSUR), 1(3), 147-176.
- 3. Hornak, J. P. (1997). The Basics of MRI. Rochester Institute of Technology.
- 4. The MathWorks Inc., (2015). Image Processing Toolbox™ User's Guide. 1-40.
- 5. IBM, (2012). IBM SPSS 21, IBM Licensed material. http://www.ibm.com/ spss.
- 6. MedCalc, (2016). MedCalc Software 16.4.3, MedCalc Licensed material. http://www.medcalc.org.
- 7. Gursoy, H., Sahin, A., Basmak, H., Ozer, A., Yildirim, N., & Colak, E. (2011). Lenstar versus ultrasound for ocular biometry in a pediatric population.Optometry & Vision Science, 88(8), 912-919.
- 8. Russ, J. C. (1999). The image processing handbook. CRC press, ISBN:0-8493-2532-3, 10-270.
- 9. Demirkaya, O., Asyali, M. H., & Sahoo, P. K. (2009). Image processing with MATLAB: applications in medicine and biology. CRC Press, 18-67.
- 10. Gonzalez, R. C., Woods, R. E., & Eddins, S.L. (2004). Digital Image Processing using MATLAB. Pearson Prentice Hall, 6s.
- 11. Aytan, A. E., Öztürk, Y., ve Örgev, E. K. (1993). Görüntü İşleme. İstanbul Üniversitesi Diş Hekimliği Dergisi, 273s.
- 12. Weeks, A. R. (1996). Fundamentals of electronic image processing. Bellingham: SPIE Optical Engineering Press, ISBN 0-8194-2149-9, 316-414.
- 13. Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. Lancet;1: 307–10.
- 14. Sanchez, C. I., Hornero, R., Lopez, M.I., Aboy, M., Poza, J., & Abosolo, D. (2008). A Novel Automatic Image Processing Algorithm For Detection Of Hard Exudates Based On Retinal Image Analysis. Medical Engineering & Physics, 30(3), 350-357.
- 15. Goldsmith, J. A., Li, Y., Chalita, M. R., Westphal, V., Patil, C. A., Rollins, A. M., Izatt, J. A., & Huang, D. (2002). Anterior Chamber Width Measurement by High-Speed Optical Coherence Tomography. Florida: Ophthalmology, 112(2), 238-244.
- 16. Koprowski, R., Wilczyński, S., Olczyk, P., Nowińska, A., Węglarz, B., & Wylęgała, E. (2016). A Quantitative Method for Assessing The Quality of Meibomian Glands. Computers in Biology and Medicine, 75, 130-138.
- 17. Koprowski, R., Ambrósio, R. Jr., & Reisdorf, S. (2015). Scheimpflug Camera in The Quantitative Assessment of Reproducibility of High-Speed Corneal Deformation During Intraocular Pressure Measurement. Journal of Biophotonics, 8(11-12), 968-978.
- 18. Koprowski, R., Nowińska, A., Wylęgała, E., & Wróbel, Z. (2014). A new Algorithm and Problems in Automatic Anterior Eye Chamber Volume Determining. Computers in biology and medicine, 52, 144-152.
- 19. Li, JJ., Xu, L., Sun, B. C., Chen, Y. J., & Ma, K. (2003). [The Application of Digital Photography with Retroillumination for Lens in Cataract Study]. [Zhonghua yan ke za zhi] Chinese journal of ophthalmology, 39(5), 278-282.
- 20. Kasprzak, H., & Boszczyk, A. (2016). Numerical Analysis of Corneal Curvature Dynamics based on Corvis Tonometer Images. Journal of biophotonics, 9(5), 436-444.
- 21. Ramasubramanian, V., & Glasser, A. (2015). Distortion Correction of Visante Optical Coherence Tomography Cornea Images. Optometry & Vision Science,92(12), 1170-1181.
- 22. Demir, Ö. (2006). MATLAB Gereçleri İle Görüntü İşleme Uygulamaları (Yüksek Lisans Tezi). Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2-7.
- 23. http://www.ootech.nl/shop/diagnostiek/biometrie/haag-streit-ls-900.html (Erişim Tarihi: 26.03.16)
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Sağlık Kurumları Yönetimi |
| Bölüm | ORİJİNAL MAKALELER / ORIGINAL ARTICLES |
| Yazarlar | |
| Yayımlanma Tarihi | 1 Ocak 2019 |
| Yayımlandığı Sayı | Yıl 2019 Cilt: 41 Sayı: 1 |