Engin Şenel 1, Emre Demir 2 1 Hitit Üniversitesi Tıp Fakültesi, Deri ve Zührevi Hastalıklar Anabilim Dalı, Çorum 2 Hitit Üniversitesi Tıp Fakültesi, Biyoistatistik.

... konulu sunumlar: "Engin Şenel 1, Emre Demir 2 1 Hitit Üniversitesi Tıp Fakültesi, Deri ve Zührevi Hastalıklar Anabilim Dalı, Çorum 2 Hitit Üniversitesi Tıp Fakültesi, Biyoistatistik."— Sunum transkripti:

1 Engin Şenel 1, Emre Demir 2 1 Hitit Üniversitesi Tıp Fakültesi, Deri ve Zührevi Hastalıklar Anabilim Dalı, Çorum 2 Hitit Üniversitesi Tıp Fakültesi, Biyoistatistik Anabilim Dalı, Çorum Giriş-Amaç  Melanositik deri lezyonlarının takibinde, lezyonların zaman içinde sayı, boyut ve renk değişiminin önemi büyük  Klinisyenler sadece inspeksiyonla melanositik lezyonların takibinin yetersiz olacağından yüksek maliyetli nevüs analiz sistemleri kullanmak zorunda kalmakta  Bizim bu ön-çalışmadaki amacımız klinisyenlere melanositik deri lezyonlarının takibi için ücretsiz bir alternatif dijital izlem yöntemi geliştirmek Yöntem  Çalışmamızda melanositik lezyon takibi için bütün dünyada ücretsiz olarak kullanıma sunulan ve açık kaynak kodlu bir program olduğu için sürekli geliştirilebilen R istatistik paket programından yararlanıldı  Bu program için Bioconductor projesi olarak ücretsiz kullanılabilen açık kaynak kodlu EBImage Kütüphanesi (http://www.bioconductor.org/packages/re lease/bioc/html/EBImage.html) lezyon alan hesaplama ve renk yoğunluk dağılımını saptamada kullanıldıhttp://www.bioconductor.org/packages/re lease/bioc/html/EBImage.html  Melanositik lezyonların alan ve renk yoğunluğunu saptayabilen yeni bir kod yazıldı Bulgular Resim 2 Resim 2. Hesaplanacak lezyon alanını çizdirme Resim 3. Resim 3. Lezyon renk yoğunluk dağılım grafiği Renk Analizi ile Renk Yoğunluğunun Normal Dağılmadığı Görülmektedir. library(EBImage) setwd("D:/emre/") pic <- readImage("lezyon.jpg") # pic.data <- imageData(channel(pic, mode = "blue")) pic.data <- 1 - pic.data # görüntüyü tersine çevir hist(pic.data) # görüntünün dağılım grafiğini çiz #zemin 0.65’in altında iken 0, 0.65 ve üzerinde iken 1 olarak algıla pic.data[pic.data <.62] <- 0 pic.data[pic.data >=.62] <- 1 pic.lab <- bwlabel(pic.data) # attempt to enclose the holes pic.lab <- fillHull(pic.lab) kern <- makeBrush(3, shape = "disc", step = F) pic.lab <- erode(pic.lab, kern) # remove only a few noisy pixels 0.80 0.70 0.65 0.62 0.60 # alan hesabı pic.shape <- computeFeatures.shape(pic.lab) lezyon.alan <- pic.shape[, "s.area"] alan.oran <- lezyon.alan [1] / lezyon.alan [2] cat(«lezyon alan oranı ", round(alan.oran, digits = 3), ".\n", sep = "") # elde edilen görüntüyü düzenlemek pic.out <- paintObjects(pic.lab, pic, opac = c(NA, 0.45), col = c(NA, "red")) xy <- computeFeatures.moment(pic.lab, pic)[, c("m.cx", "m.cy")] font <- drawfont(weight = 600, size = 35) pic.out <- drawtext(pic.out, xy = xy, labels = as.character(lezyon.alan), font = font, col = "white") writeImage(pic.out, «resim.out.jpg") Sonuç  Bu çalışma özellikle dermatoskopik görüntülerin işlenmesinde ve takibinde bir ön çalışmadır  Nihai amacımız ise ABCD algoritmasının ve benzer melanositik lezyon özelliklerinin makine öğrenme ve yapay zekâ algoritmaları yardımıyla bilgisayara öğretilerek cilt kanserini dermatoskop ve telefondan çekilen fotoğraflarla öngörebilen bir mobil uygulama geliştirmektir Resim 1 Resim 1. Hesaplanacak zemin renk sınırını belirleme