Tez No	İndirme	Tez Künye	Durumu
392764		Bilgisayar destekli tanı sistemi ile akciğer nodüllerinin nitelendirilmesi / Characterization of lung nodules with computer aided diagnosis system Yazar:AYDIN KAYA Danışman: YRD. DOÇ. DR. AHMET BURAK CAN Yer Bilgisi: Hacettepe Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bilgisayar destekli teşhis = Computer assisted diagnosis	Onaylandı Doktora Türkçe 2015 137 s.
Akciğer kanseri, özellikle endüstrisi gelişmiş ülkelerde ölüm oranı en yüksek kanser türüdür. Tanısındaki en büyük sıkıntılar, görüntüleme verilerindeki fazlalık ve kansere sebep olan küçük boyutlu nodüllerin tespitinin ve değerlendirmesinin zorluğundan kaynaklıdır. Bilgisayar destekli tanı sistemleri, bu temel sorunlarda radyologlara yardımcı olmak için geliştirilen uzman sistemlerdir. Bu tez kapsamında küçük boyutlu akciğer nodüllerinin habislik derecesinin belirlenmesi için sınıflama yaklaşımları önerilmektedir. Çalışmada Amerikan Kanser Enstitüsü tarafından sunulan Lung Image Database Consortium (LIDC) veritabanı kullanılmıştır. LIDC veritabanı dört farklı enstitüden radyologlar tarafından değerlendirilmiş ve nodül habislik derecesi yanında radyografik tanımlayıcı bilgisini içeren bir veritabanıdır. Bu tez çalışmasında, radyografik tanımlayıcıların habislik derecesinin tahmininde faydalı olup olmadığının incelenmesi amaçlanmıştır. LIDC veritabanının dengesiz sınıf dağılımını ele almak için veri dengeleme yaklaşımları kullanılmıştır. Sınıflama yöntemleri temel olarak iki adımdan oluşmaktadır. İlk adımda alt düzey görüntü özniteliklerinden radyografik tanımlayıcılar tespit edilmekte, sonraki adımda ise radyografik tanımlayıcılar aracılığıyla habislik derecesi tahmin edilmektedir. Sınıflama adımlarında tekil sınıflayıcılar, takım sınıflayıcılar, bulanık mantık tabanlı ve kural tabanlı sınıflama yaklaşımları kullanılmıştır. Çalışma sonuçları, sınıflama başarımı, duyarlılık ve seçicilik ölçümleri bağlamında literatürdeki önemli çalışmaların ve görüntü öznitelikleri ile eğitilmiş tekil sınıflayıcıların sonuçları ile karşılaştırılmıştır. Elde edilen sonuçlar radyografik tanımlayıcıların sınıflama başarımına olumlu katkı yaptığını göstermektedir. Sunulan yöntemlerin önemli bir bölümü, literatürdeki çalışmalar ile karşılaştırılabilir düzeyde başarılı sonuçlar üretmektedir.
Lung cancer is one of the leading causes of cancer related deaths worldwide, especially in industrially developed countries. Major problems in diagnosis are caused by high volume of visual data and difficulty of detection of solitary/small pulmonary nodules. Computer aided diagnosis systems are expert systems to assist radiologists on these issues. In this thesis, classification approaches for predicting malignancy of solitary pulmonary nodules are presented. Publicly available Lung Image Database Consortium (LIDC) database which is proposed by USA National Cancer Institute is used in the study. LIDC contains malignancy and nodule characteristics evaluations of radiologists from four different institutions. The goal of this thesis is to examine the usefulness of radyographic descriptors in malignancy prediction. Dataset balancing approaches are used for addressing unbalanced class distribution of LIDC database. Classification methods basically consist of two phases. In the first phase, radyographic descriptors are determined from low level image features; and in the second step malignancy is predicted from these descriptors. Single classifiers, ensemble classifiers, fuzzy logic based and rule based methods are used in classification steps. Results are compared with prominent studies in literature and single classifiers which are trained with image features in the context of classification accuracy, specificity and sensitivity measures. The obtained results indicate that radyographic descriptors contribute malignancy prediction. Moreover, the majority of the presented methods' results are successful and comparable with the methods in literature.