An evaluation of image registration methods for chest radiographs

Engin, M. Alptekin; Ogul, Hasan; Ağıldere, Muhteşem; Sümer, Emre

doi:10.1109/intellisys.2015.7361237

Cited by 3 publications

(3 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…However, CNNs are not invariant to significant transformations of the input data [6]. This limitation of CNNs is because it only has a predefined and limited grouping mechanism to deal with variations in data space [7]. For this reason, it is proposed to carry out the registration process in medical images, specializing in chest X-rays, to later train the convolutional neural network model Inception V3 specializing in the classification of images and see how the results of images without process regarding images processed with our proposal.…”

Section: Registration Of the Chest In X-ray Images Using Cnnmentioning

confidence: 99%

Convolutional Neural Network Architectures to Solve a Problem of Tuberculosis Classification Using X‐Ray Images of the Lungs

Alshudukhi

Aljaloud

Alharbi

et al. 2022

Journal of Nanomaterials

View full text Add to dashboard Cite

Disease detection, diagnosis, and treatment can all be done with the help of digitalized medical images. Macroscopic medical images are images obtained using ionizing radiation or magnetism that identify organs and body structures. In recent years, various computational tools such as databases, distributed processing, digital image processing, and pattern recognition in digital medical images have contributed to the development of Computer-Aided Diagnosis (CAD), which serves as an auxiliary tool in health care. The use of various architectures based on convolutional neural networks (CNNs) for the automatic detection of diseases in medical images is proposed in this work. Different types of medical images are used in this work, such as chest tomography for identifying types of tuberculosis and chest X-rays for detecting pneumonia to solve the same number of classification problems or detect patterns associated with diseases. Finally, an algorithm for automatic registration of thoracic regions is proposed, which intrinsically identifies the translation, scale, and rotation that align the thoracic regions in X-ray images.

show abstract

Section: Registration Of the Chest In X-ray Images Using Cnnmentioning

confidence: 99%

Convolutional Neural Network Architectures to Solve a Problem of Tuberculosis Classification Using X‐Ray Images of the Lungs

Alshudukhi

Aljaloud

Alharbi

et al. 2022

Journal of Nanomaterials

View full text Add to dashboard Cite

show abstract

“…Bahsi geçen çalışmalarda SIFT (ölçekten bağımsız öznitelik dönüşümü) [5]- [8] ve SURF (hızlandırılmış gürbüz öznitelikler) tanımlayıcıları [9] yoğun bir şekilde kullanılmıştır. X-ray görüntülerinin kullanıldığı bir çalışmada SIFT, SURF ve ORB (yönlendirilmiş FAST and döndürülmüş BRIEF) gibi öznitelik belirleyiciler ile farklı zamanda çekilmiş görüntülerin çakıştırılması sağlanmıştır [10]. İlgili çalışmada, bu çalışmanın ilk aşamasını oluşturan "görüntü çakıştırma" işlemi gerçekleştirilmiştir.…”

Section: Literatür öZetiunclassified

“…Görüntü çakıştırma adımlarının detaylı anlatımına ve elde edilen deneysel sonuçlara bu çalışmanın öncesinde yapılmış başka bir çalışmada yer verilmiştir [10].…”

Section: Görüntü çAkıştırmaunclassified

Monitoring Nodule Progression in Chest X-ray Images

Sümer¹,

Engin²,

Ağıldere³

et al. 2018

Pamukkale J Eng Sci

Self Cite

View full text Add to dashboard Cite

Akciğer nodülleri kanser vakalarında sıkça gözlenmektedir. Günümüzde nodüller, tomografi veya MRI gibi teknolojiler kullanılarak görüntülenebilmektedir. Ancak, x-ray görüntüleme yaygın kullanımının yanı sıra düşük maliyetli bir yöntemdir. Bu bağlamda, nodüllerin gelişimlerinin sık aralıklarla takip edilmesinde x-ray görüntülerinin kullanılması birçok yönden fayda sağlamaktadır. Bu çalışmada akciğer x-ray görüntülerinden nodüllerin gelişimlerini otomatik olarak takip edebilen üç aşamalı yenilikçi bir yaklaşım önerilmiştir. İlk aşamada; bir hastaya ait nodül gelişiminin değerlendirilebilmesi için farklı zamanlarda çekilen görüntülerin üst üste bindirilmesi gerçekleştirilmiştir. Üst üste bindirme yapabilmek için öz nitelik çıkarma ve eşleştirme yöntemleri kullanılarak homografi matrisi elde edilmiş ve sonrasında görüntü çakıştırma işlemi gerçekleştirilmiştir. İkinci aşamada; çakıştırılmış görüntüler üzerindeki nodüllerin daha önceden bilinen konum bilgilerine göre her iki görüntüde eşleşen nodüller tespit edilmiştir. İlk görüntüde eşleşmeyen nodüllerin kaybolduğu, sadece ikinci görüntüde yer alan nodüllerin yeni ortaya çıktığı değerlendirilmiştir. Son aşamada; nodüller, görüntü üzerinde piksel kümesinden oluşan kapalı alan olarak değerlendirilmiş olup eşleşmeden sonra kapalı alanların oluşturduğu alan bilgileri hesaplanmıştır. Bu şekilde büyüme ya da küçülme durumları sayısal olarak ortaya konulmuştur. Geliştirilen yaklaşımın test edilmesi için Başkent Üniversitesi Radyoloji Bölümü tarafından temin edilen hasta veri kümesi kullanılmıştır. Test sonuçlarının doğrulanması uzman bir radyolog desteği ile gerçekleştirilmiştir. Bu çalışmada sunulan nodül gelişim takip sisteminde umut verici sonuçlara ulaşılmıştır. Lung nodules are frequently observed in cases of cancer. Nodules can be monitored with technologies such as computed tomography (CT) or magnetic resonance imaging (MRI). However, x-ray imaging is a lowcost method as well as its widespread usage. In this context, monitoring the nodules in short intervals by x-ray imaging gives benefits in many aspects. In this study, a three-stage novel approach is proposed to trace the nodule progressions from the lung x-ray images, automatically. In the first stage, x-ray images of a patient taken at different times must be registered to evaluate the nodule progression. To perform the registration, feature extraction and matching methods are employed, and then the homography matrix is calculated. In the second stage, according to previously known nodule positions, matched nodules are detected on registered images. Mismatched nodules in the first image are considered as lost, while the nodules only found in the second image are evaluated as newly appeared. In the last stage, nodules are considered as closed contours consisting of pixel set where closed contour area is calculated after nodule matching process. In this way, growth and shrink states are determined numerically. To test the proposed approach, a patient data set provided by Baskent University, Department of Radiology i...

show abstract