Automated processing and classification of medical thermal images

Abstract

The aim of this dissertation is to develop computer aided methods for processing and evaluating medical infrared thermal images. Throughout this study three problems were evaluated. The first problem was to automatically classify the body part and pose in the thermal images. In this study there were four classes; upper-lower body parts with back-front views. The first step included the segmentation of the background with Otsu’s thresholding method applying histogram equalization. Next, DarkNet-19 architecture was used to extract features from images and these features were reduced using PCA and tSNE methods. Finally reduced feature sets were used for classification. The second problem was to automatically classify liver steatosis from using thermal images. In this study, the classification problem was tested on an anatomical region of interest from abdominal images corresponding to the liver. Deep learning and texture analysis methods were employed for feature extraction, and then the selected feature sets were used for classification. The third problem was to quantify thermograms of multiple sclerosis (MS) patients for better assessment of the disease and monitoring the therapy. Thermal images of two patients and a healthy control from lower limbs were evaluated during experiments, and localized quantification of the effect of MS on the feet of the patients using thermal images method was proposed. The proposed method was fully correlated with the evaluations of physician. It is shown that medical thermal imaging has high potential in many fields of medicine as a non-invasive method for pre-diagnosis and follow-up.

Bu tezin amacı, tıbbi kızılötesi termal görüntülerin işlenmesi ve değerlendirilmesi için bilgisayar destekli yöntemler geliştirmektir. Bu çalışma boyunca üç problem değerlendirilmiştir. İlk problem, termal görüntülerde vücut kısımlarını ve pozu otomatik olarak sınıflandırmaktı. Bu çalışmada, arka-ön ve üst-alt vücut görünümleri olan dört sınıf vardı. İlk adımda, Otsu'nun yöntemiyle arka plan ayrıldı ve histogram eşitleme uygulandı. Daha sonra, görüntülerden öznitelik çıkarmak için DarkNet-19 mimarisi kullanıldı ve bu öznitelikler PCA ve t-SNE yöntemleri kullanılarak azaltıldı. Son olarak, sınıflandırma için indirgenmiş öznitelik kümeleri kullanıldı. Üzerinde çalışılan ikinci problem, karaciğer yağlanmasını termal görüntüler kullanarak otomatik olarak sınıflandırmaktı. Bu çalışmada abdominal görüntülerden anatomik bir ilgi alanı bölütlenmiş, bu alandan öznitelikler çıkarıılmıştır. Öznitelik çıkarımı esnasında derin öğrenme ve doku analizi yöntemleri kullanışmış, seçilen en uygun öznitelikler sınıflandırmada. Son olarak bu tezde, multipl skleroz (MS) hastalarının tedaviye yanıt seyrini değerlendirmede kullanılmak üzere termogramların yerel nicelleştirilmesine dair bir yöntem önerisi yapıldı. Deneyler sırasında iki MS hastasının ve bir sağlıklı bireyin bacak termal görüntüleri değerlendirildi. Önerilen yöntemin sonuçları, hekimin değerlendirmeleri ile tam olarak uyuşmaktadır. Bu tezde, tıbbi termal görüntülemenin invaziv olmayan bir yöntem olarak ön tanı ve takip için farklı alanlarda yüksek potansiyele sahip olduğu gösterilmiştir