Tez No	İndirme	Tez Künye	Durumu
477678		A decision support system based on content-based image retrieval for breast cancer diagnosis / Meme kanseri tanısı için içerik tabanlı görüntü erişimine dayanan bir karar destek sistemi Yazar:NUH ALPASLAN Danışman: DOÇ. DR. DAVUT HANBAY ; PROF. DR. PRABİR BHATTACHARYA Yer Bilgisi: İnönü Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2017 105 s.
Meme kanseri, akciğer kanserinden sonra kadınlarda kanser ölümlerinin en önemli ikinci sebebidir. Meme kanserinin erken bulgularının tespit edilmesi için uzmanlar tarafından genellikle mamogramlar kullanır. Bu sadece tedavi maliyetini değil aynı zamanda hastaların ölüm oranlarını da düşürmektedir. Bununla birlikte, mamogramların yorumlanması genellikle özneldir ve daha düşük duyarlılık ve özgüllük değerleri ile zordur. Bu tezde, göğüs kitlelerinin otomatik tespiti, sınıflandırılması ve erişimi için entegre bir sistem sunulmuştur. Sistemin amacı görüntüleri iyi huylu, kötü huylu veya normal olarak tahmin edebilmenin yanında ilgili geçmiş vakalara erişim sağlayarak ve görüntüleyerek karar verme sürecine yardımcı olmaktır. Bu kapsamda 3 farklı sistem önerilmiştir. Önerilen ilk sistemde, kitlenin geometrik özellikleri ve önerilen ghsthog, ghstcohog, ghsthogcohg öznitelikleri meme kitlesini ifade etmek için kullanılmıştır. Önerilen ikinci sistemde öznitelik çıkarımı için kitleye ait dokusal, geometrik, alt örnekleme olmayan çevritsel dönüşüm ve önerilen Eig(Hess)-HOG yöntemi kullanılmıştır. Her yöntemin avantajları ve dezavantajları geleneksel yöntemlerle ayrıntılı olarak tartışılmıştır. Son olarak, sınıflandırma ve erişim, destek vektör makinesi ve aşırı öğrenme makinası kullanılarak gerçekleştirilmiştir. Ayrıca, derin öznitelik tabanlı bir sistem geliştirilmiştir. Bu sistemde, hekimlerin kitle hakkındaki kararları, üst düzey derin öznitelikler ile ifade edilmiştir. Sonrasında, yukarıdaki özniteliklere dayalı iki aşırı öğrenme makinası sınıflandırıcısı test görüntülerinin türünü tahmin etmek için kullanılmıştır. Farklı özniteliklere dayalı sınıflandırıcıların sonuçları, test görüntülerinin türünü belirlemek için analiz edilmiştir. Görüntü erişimi ve sınıflandırma performansları, hem kesinlik-duyarlılık hem de sınıflandırma doğrulukları kullanarak iki farklı veri setinde değerlendirilip karşılaştırılmıştır. Deneysel sonuçlar, önerilen sistemin etkililiğini ve gerçek zamanlı klinik uygulamalardaki kullanılabilirliğini göstermektedir.
Breast cancer is the second leading cause of cancer deaths among women after lung cancer. Physicians generally use mammograms to look for early signs of breast cancer that could reduce not only treatment cost but also patients' mortality rate. However, interpreting mammograms is often subjective and difficult due to lower sensitivity and specificity. In this thesis, we have presented an integrated system for automated detection, classification, and retrieval of breast masses. The goal of system is to assist decision-making process by retrieving and displaying the related past cases along with predicting the images as benign, malignant or normal. In this manner, we have proposed 3 different frameworks. In our first framework, geometric features of mass and our proposed ghsthog, ghstcohog, ghsthogcohg features are used to express the breast mass. In the second framework, geometric, textural features of mass, nonsubsampled contourlet transform and our proposed eig(Hess)-HOG are used for feature extraction. The advantages and shortcomings of each method are discussed with conventional methods in detail. Finally, classification and retrieval are performed based on using support vector machines and extreme learning machines. Furthermore, a deep feature based framework is developed. In this framework, physicians' decisions on mass were expressed by high-level deep features. Then, two extreme learning machine classifiers based on the features above is employed to predict category of test images. And outputs of classifiers based on each feature were examined together to define the kind of test image. The image retrieval and classification performances are evaluated and compared in two different datasets by using both the precision-recall and classification accuracies. Experimental outcomes indicate the effeciency of the proposed system and the viability of a real-time clinical application.