ESRGAN ile Medikal Görüntülemede Süper Çözünürlük
Abstract views: 1
/ 
PDF downloads: 1
Keywords:
ESRGAN, Medikal Görüntü İyileştirme, Süper Çözünürlük, Dental Radyografi, Göğüs XRay, Beyin MR, Kemik XRay, Böbrek BT, Retina OCTAbstract
Medikal görüntüler, doğru tanı ve etkin tedavi süreçleri için kritik öneme sahiptir; ancak düşük
çözünürlük, tanısal doğruluğu ve detaylı analiz kabiliyetini sınırlandırabilir. Bu çalışmada, MR (Manyetik
Rezonans), X-ray (Röntgen), CT (Bilgisayarlı Tomografi) ve OCT (Optik Koherens Tomografi)
teknikleriyle elde edilen diş, göğüs, beyin, kemik, böbrek ve retina görüntülerinin çözünürlüğünün
artırılması amacıyla ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) modeli
kullanılmıştır. ESRGAN modeli ile düşük çözünürlüklü MR, X-ray ve CT görüntülerinin iyileştirilmesi
hedeflenmiş ve elde edilen sonuçlar PSNR (Peak Signal-to-Noise Ratio) ve SSIM(Structural Similarity
Index Measure) metrikleri kullanılarak değerlendirilmiştir. Elde edilen bulgular, ESRGAN’ın dental,
göğüs, beyin, kemik, böbrek ve retina görüntülerinde belirgin bir çözünürlük iyileştirmesi sağladığını ve
bu
sayede medikal görüntülerin tanısal değerinin artırılabileceğini göstermektedir. Yapılan
değerlendirmelerde ortalama olarak yüksek PSNR ve SSIM değerleri elde edilmiştir. ESRGAN’ın MR,
X-ray ve CT görüntüleme teknikleriyle elde edilen verilerde güvenilir ve etkili bir çözünürlük artırma
aracı olarak kullanılabileceği ortaya konmuştur.
Downloads
References
X. Wang et al., “ESRGAN: Enhanced super-resolution generative adversarial networks,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 11133 LNCS, pp. 63–79, 2019, doi: 10.1007/978-3-030-11021-5_5.
M. E. Çelik, M. Mikaeili, and B. Çelik, “Improving resolution of panoramic radiographs: super-resolution concept,” Dentomaxillofac. Radiol., vol. 53, no. 4, pp. 240–247, 2024, doi: 10.1093/dmfr/twae009.
H. Mohammad-Rahimi et al., “Super-Resolution of Dental Panoramic Radiographs Using Deep Learning: A Pilot Study,” Diagnostics, vol. 13, no. 5, pp. 1–10, 2023, doi: 10.3390/diagnostics13050996.
M. B. H. Moran, M. D. B. Faria, G. A. Giraldi, L. F. Bastos, and A. Conci, “Using super-resolution generative adversarial network models and transfer learning to obtain high resolution digital periapical radiographs,” Comput. Biol. Med., vol. 129, no. November 2020, p. 104139, 2021, doi: 10.1016/j.compbiomed.2020.104139.
L. Xu, X. Zeng, Z. Huang, W. Li, and H. Zhang, “Low-dose chest X-ray image super-resolution using generative adversarial nets with spectral normalization,” Biomed. Signal Process. Control, vol. 55, p. 101600, 2020, doi: 10.1016/j.bspc.2019.101600.
P. Sharma, B. Mohanram, J. Vijayashree, J. Jayashree, and A. R. Sahoo, “Image Enhancement using ESRGAN for CNN based X-Ray Classification,” 2022 5th Int. Conf. Contemp. Comput. Informatics, no. 2, pp. 1965–1969, 2022, doi: 10.1109/IC3I56241.2022.10072472.
L. Song et al., “Jo ur na l P re f,” Radiat. Med. Prot., 2024, doi: 10.1016/j.radmp.2024.12.003.
R. K. Sharma, “Efficient Medicinal Image Transmission and Resolution Enhancement via GAN,” pp. 1–11, 2024.
H. Q. Do et al., “7T MRI super-resolution with Generative Adversarial Network To cite this version : HAL Id : hal-03003045 7T MRI super-resolution with Generative Adversarial Network,” 2021.
E. I. Ünlü and A . Çinar, “ Derin Öğrenme ile Beyin MRI Görüntülerinde Süper Çözünürlük : SRCNN , SRGAN ve ESRGAN Yaklaşımları,” pp. 825–835, 2024.
C. Tan, J. Zhu, and P. Lio’, “Arbitrary scale super-resolution for brain MRI images,” IFIP Adv. Inf. Commun. Technol., vol. 583 IFIP, pp. 165–176, 2020, doi: 10.1007/978-3-030-49161-1_15.
Z. Zhou et al., “Super-resolution of brain tumor MRI images based on deep learning,” no. June, pp. 1–13, 2022, doi: 10.1002/acm2.13758.
J. Hemapriyadharshini, A. Vigneshwar, G. Akash, and G. Kirubakaran, “Deep Learning Analysis of Bone Fracture Using Images Processing Techniques,” vol. 10, pp. 1592–1608, 2023.
W. Wang and W. Huang, “Attention mechanism-based deep learning method for hairline fracture detection in hand X-rays,” Neural Comput. Appl., vol. 34, no. 21, pp. 18773–18785, 2022, doi: 10.1007/s00521-022-07412-0.
M. Tai, P. Nguyen, V. T. Le, H. T. Duong, and V. T. Hoang, Detection of Kidney Stone Based on Super Resolution Techniques and YOLOv7 Under Limited Training. Springer Nature Switzerland. doi: 10.1007/978-3-031-46749-3.
D. Qiu, Y. Cheng, and X. Wang, “Computer Methods and Programs in Biomedicine,” Comput. Methods Programs Biomed., vol. 225, p. 106995, 2022, doi: 10.1016/j.cmpb.2022.106995.
A. Çinar and E. I. Ünlü, “Araştırma Makalesi SRGAN ile Süper Çözünürlüklü OCT Görüntüleri Oluşturma,” pp. 109–114, 2023.
D. Mahapatra, B. Bozorgtabar, and R. Garnavi, “Computerized Medical Imaging and Graphics Image super-resolution using progressive generative adversarial networks for medical image analysis,” Comput. Med. Imaging Graph., vol. 71, pp. 30–39, 2019, doi: 10.1016/j.compmedimag.2018.10.005.
