Tez No	İndirme	Tez Künye	Durumu
519571		Görüntü işleme teknikleriyle meme kanserinin teşhisi / Diagnosis of breast cancer with image processing techniques Yazar:GÜLİZ TOZ Danışman: DOÇ. DR. PAKİZE ERDOĞMUŞ Yer Bilgisi: Düzce Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Sayısal görüntü işleme = Digital image processing	Onaylandı Doktora Türkçe 2018 144 s.
Meme kanseri hem dünyada hem de ülkemizde kadınlar arasında en sık görülen ve yüksek oranlarda ölüme neden olan kanser türüdür. Ülkemizde kanser istatistiklerine bakıldığında meme kanseri tüm kadın kanserlerinin yaklaşık % 25,6'sını oluşturmaktadır. Türkiye'de her 8 kadından birisinde meme kanseri görülmektedir. Meme kanseri yüzünden gerçekleşen ölümlerin azaltılmasında en etkin yöntem erken teşhis ve tedavidir. Erken teşhis için kullanılan en yaygın yöntem mamografidir. Mamografi meme kanseri için tasarlanan özel bir röntgen tekniğidir. Mamografi ile elde edilen görüntüler sayesinde memede elle muayene ile fark edilemeyecek kadar küçük değişiklikler bile belirlenebilmektedir. Mamografilerin yorumlanması uzman radyologlar tarafından yapılmaktadır. Fakat yorgunluk, iş yoğunluğu, insan gözünün kısıtlılığı vb. gibi etkenler radyologların mamografileri yanlış yorumlamasına neden olabilmektedir. Günümüzde, meme kanserinin teşhisinde yanlış ya da eksik yorumlamaya neden olabilecek etkileri azaltmak amacıyla radyoloğa yardımcı olacak otomatik algılama sistemleri geliştirilmektedir. Bu sistemlere Bilgisayar Destekli Teşhis (BDT) sistemleri denilmektedir. BDT yazılımları, memedeki anormallikleri tespit etmek için çeşitli görüntü işleme algoritmaları kullanmaktadır ve meme kanserinin tanısı ve teşhisinde radyoloji uzmanlarına ikinci bir görüş olarak yardımcı olmaktadır. Nihai karar radyolog tarafından verilmektedir. Bu çalışmada mamogramlarda görülen anormalliklerin tespiti ve sınıflandırılması amacıyla bir BDT sistemi geliştirilmiştir. Bu sistem başlıca beş bölümden oluşmaktadır. Bunlar sırasıyla; ön işleme, bölütleme, öznitelik çıkarımı, öznitelik seçimi ve sınıflandırmadır. Ön işleme aşamasında görüntüyü iyileştirmek ve gürültüyü azaltmak amacıyla medyan filtre, biortogonal dalgacık analizi, anizotropik difüzyon yöntemi, adaptif histogram eşitleme yöntemi kullanılmıştır. Ayrıca ön işleme aşamasının önemli bir kısmını teşkil eden pektoral kasın çıkarılması için bu tez kapsamında geliştirilen Tek Yönlü Kenar İşaretleme (Single Sided Edge Marking-SSEM) isimli yeni bir algoritma kullanılmıştır. Şüpheli bölgelerin tespiti amacıyla Otsu N eşikleme, Havrda & Charvat entropi yöntemleri ile birlikte yine bu tez kapsamında geliştirilen bir görüntü kümeleme algoritması olan w-BSAFCM, kullanılmıştır. Öznitelik çıkarımı için gri seviye eş oluşum matrisi, dalgacık analizi ve eğricik dönüşümü yöntemleri kullanılmıştır. Öznitelik azaltımı aşamasında Lineer Ayırıcı Analiz yöntemi kullanılmıştır. Son olarak, sınıflandırma aşamasında ise yapay sinir ağları, destek vektör makinesi (DVM) ve K- En yakın komşuluk sınıflandırıcıları kullanılmıştır. Tez çalışması kapsamında önerilen yöntem ve geliştirilen algoritmalar literatürde sıkça kullanılan MIAS veri tabanına ek olarak yeni bir mamogram veritabanı olan INBREAST veri tabanındaki görüntüler üzerinde de test edilmiş ve elde edilen sonuçlar literatürdeki diğer çalışmalarla karşılaştırılmıştır. Yapılan deneysel çalışmalarda mamogram görüntüleri, geliştirilen yöntemle ilk olarak normal ve anormal olarak sınıflandırılmış ardından anormal mamogramlar da kendi aralarında iyi huylu ve kötü huylu olarak sınıflandırılmışlardır. Yapılan tez çalışması için toplam 246 adet mamogram kullanılmıştır. MIAS veritabanından seçilen 70 normal ve 70 anormal mamogram ile INBREAST veri tabanından seçilen 53 normal ve 53 anormal mamogram üzerinde önerilen yöntemlerle yapılan sınıflandırma sonucunda en iyi sonuçlar eğricik analizi ile çıkarılan özniteliklerle sağlanmıştır. Eğricik analizi ile çıkarılan özniteliklerin lineer ayırıcı analiz ile boyutu azaltılmış ve eğricik analizi ile lineer ayırıcı analizin birlikte kullanıldığı durumda sınıflama başarısı % 100 olarak elde edilmiştir. Ayrıca mamogramların sınıflandırılması amacıyla gri seviye eş oluşum matrisi ve dalgacık analizi ile elde edilen özniteliklere ait sonuçlar karşılaştırmalı olarak sunulmuştur.
Breast cancer is the most frequent type of cancer that causes death in women both in the world and in our country. When we look at cancer statistics in our country, breast cancer constitutes about 25.6 % of all female cancers. Breast cancer is seen in one out of every 8 women in Turkey. The most effective method for reducing deaths due to breast cancer is early diagnosis and treatment. The most common method used for early diagnosis is mammography. Mammography is a special X-ray technique designed for breast cancer. Images obtained with mammography can be used to determine even small changes that cannot be noticed by manual examination. Interpretation of mammography is done by expert radiologists. But fatigue, workload, lack of human vision, etc. may cause radiologists to misinterpret mammograms. Nowadays, automatic detection systems are being developed to help radiologists in order to reduce the effects that may lead to incorrect or incomplete interpretation in the diagnosis of breast cancer. These systems are called Computer Aided Diagnosis (CAD) system. CAD software uses a variety of image processing algorithms to detect abnormalities in the breast, and as a second opinion to radiology specialists in the diagnosis and diagnosis of breast cancer. The final decision is made by the radiologist. In this study, a CAD system was developed to detect and classify abnormalities in mammograms. This system mainly consists of five sections. These are respectively; pre-processing, segmentation, feature extraction, feature selection and classification. In the pre-processing phase, are used median filter, biorthogonal wavelet analysis, anisotropic diffusion method, adaptive histogram equalization method for image enhancement and noise reduction. In addition, a new method developed within the scope of this thesis has been used to remove the pectoral muscle. In order to detect the suspicious areas, w-BSAFCM which is an image clustering algorithm developed within the scope of this thesis, Otsu N threshold, Havrda & Charvat entropy methods are used together. Gray level co-occurrence matrix, wavelet transformation and curvelet transformation methods are used for feature extraction. Linear Discriminant Analysis method is used in the feature reduction phase. In the classification phase, artificial neural networks, support vector machine (SVM) and K- nearest neighborhood classifiers are used. In addition to the MIAS database frequently used in the literature, the proposed method and developed algorithms for the thesis study were also tested on images of the INBREAST database and the results obtained were compared with other studies in the literature. In experimental studies, mammogram images were first classified as normal and abnormal by the developed method and then abnormal mammograms were classified as benign and malignant among themselves. A total of 246 mammograms were used for the thesis work. The best results were obtained with the proposed methods and the curvelet transform for feature extraction by using 70 normal and 70 abnormal mammograms selected from the MIAS database, and 53 normal and 53 abnormal mammograms selected from the INBREAST database. The dimensionality was reduced by linear discriminant analysis of the extracted features by the curvelet transform and the classification performance was obtained as 100 % when the linear analysis and curvelet transform were used together. In addition, gray level co-occurrence matrices and wavelet analysis results for the classification of mammograms are presented comparatively.