Tez No	İndirme	Tez Künye	Durumu
332334		Görüntü işleme teknikleri kullanılarak, 2-boyutlu mamografik verilerde kanserli bölge tanısı / Cancer region diagnosis of 2-dimensional mammographic data using image processing techniques Yazar:PELİN GÖRGEL Danışman: PROF. DR. AHMET SERTBAŞ ; PROF. DR. OSMAN NURİ UÇAN Yer Bilgisi: İstanbul Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2011 153 s.
Meme kanseri kadınlarda en çok hayati tehlike arz eden kanser tiplerinden biridir. Buna karşın, düzenli mamografik tarama ve görüntüleme teknolojileri yardımıyla erken tanı konduğu taktirde tedavi edilebilen bir hastalıktır. Dijital mamografi tarama metodu, meme kanseri teşhisinde kullanılan ve son yıllarda gelişen bir teknolojidir. Bu teknoloji ile uzman radyologlar tarafından incelenen mamogramlarda kansere sebep olup malign (kötü huylu) özellik gösteren kitleler saptanabilir. Ancak boyutu küçük veya benign (iyi huylu) karakteristiğe sahip gibi gözüken kanserli kitleleri tanımak kimi zaman zor olmaktadır. Normal şartlarda; kendine özgü yapısı, boyutu, geometrik şekli, kenar kontürü ve yoğunluğu olan malign kitleler gözden kaçtığında yanlış tanıya sebebiyet verir. Hızlı ve doğru teşhisi koyabilmek içinse her vakada çok tecrübeli bir uzman radyolog tarafından, optimum kontrasta sahip, yüksek çözünürlüklü ve hiçbir artefakt içermeyen mamografi çekimlerinin incelenmesi gerekmektedir. Ne yazık ki, görüntüleme teknolojileri günümüzde oldukça gelişmiş olsa da, bazı durumlarda yanlış tanı konabilmektedir. Yanlış tanı, gereksiz yere biyopsi istenmesi veya ölüme sebebiyet veren kanserli bölgenin gözden kaçırılmasıdır.Bilgisayar Destekli Tanı (BDT) sistemleri radyoloğa ikinci bir göz sağlayarak medikal görüntülerde kanserli bölgelerin tespiti, yorumlanması ve tanısına yardımcı olan bilgisayar programlarıdır. Bu tez çalışmasında önerilen BDT sistemi ile öncelikle mamogramlarda kontrast iyileştirilmiş, şüpheli bölgeler tespit edilmiş ve bu bölgelerde kitle-doku ayrımı yapılmıştır. Sonrasında ise gerçek kitleler malign-benign olarak ayrılmışlardır. Son olarak tüm aşamaların performansları hesaba katılarak BDT sisteminin tanı doğruluğu ortaya konmuştur.Bu çalışmada İstanbul Üniversitesi Tıp Fakültesi (İTF) Hastanesi'nden alınan, sadece bu çalışma için kullanılmış mamogramlardan meydana gelen ve İTF olarak adlandırılan bir veritabanı oluşturulmuştur. Ayrıca, sınıflandırma performansını karşılaştırmak için ücretsiz erişim yetkisi veren MIAS (Mammographic Image Analysis Society) mamogram veritabanı da kullanılmıştır. Görüntü iyileştirmede Hızlı Dalgacık Dönüşümü, Homomorfik Filtreleme, Gauss-Laplace modelleme ve adaptif eşikleme yöntemlerinden faydalanılmıştır. Kitleleri tespit etmek içinse Merkezden Bölge Büyütme yöntemi temel alınarak Lokal Merkezden Bölge Büyütme (LMBB) algoritması geliştirilmiştir. Sınıflandırmanın ilk aşamasında, tespit edilen ilgili alanlar (ROIs) kitle veya doku olarak birbirlerinden ayrılmıştır. Bu aşamada öncelikle ilgili alanlara Küresel Dalgacık Dönüşümü (KDD) uygulanarak katsayılar elde edilmiş, daha sonra bu katsayılardan öznitelikler (features) çıkarılmıştır. Çıkarılan öznitelikler, kitlelerin tipik karakteristiklerini belirleyen boyut, geometrik şekil, kontür ve piksel değerleriyle ilgilidir. Öznitelik matrisleri, Destek Vektör Makineleri (DVM) kullanılarak sınıflandırılmışlardır.İTF veritabanında kitle-doku sınıflandırması sonuçlarına göre en yüksek sınıflandırma doğruluğu %96 ve görüntü başına düşen YP kitle sayısı ( ) 0.05'tir. En yüksek duyarlılık %88, en yüksek seçicilik ise %98'dir. MIAS veritabanında ise en yüksek sınıflandırma doğruluğu %95 ve değeri 0.12'dir. En yüksek duyarlılık %92, en yüksek seçicilik %96'dır.Sınıflandırmanın ikinci aşaması kitleler arasında malign-benign ayrımıdır. Bu aşamada KDD yönteminin avantajlarını göstermek için tespit edilen ilgili alanlara ayrıca Hızlı Dalgacık Dönüşümü de (HDD) uygulanmıştır. İTF veritabanına KDD metodu uygulanarak elde edilen sonuçlara göre en yüksek malign-benign sınıflandırma doğruluğu %94 olup; doğrusal (lineer) çekirdek fonksiyonu kullanılarak son ölçek katsayıları (Sk) ( ) ve en yüksek iki ölçek katsayılarıyla (EYİk) ( ), RTF (Radyal Tabanlı Fonksiyon) kullanılarak ise EYİk katsayılarıyla sağlanmıştır. MIAS veritabanına KDD metodu uygulanarak elde edilen sonuçlara göre, en yüksek malign-benign sınıflandırma doğruluğu ise %93 olup; karesel çekirdek fonksiyonu kullanılarak son ölçek katsayılarıyla (Sk) ( ) sağlanmıştır. İTF veritabanına uygulanan HDD metodu ile ulaşılan sonuçlara göre ise en yüksek malign-benign sınıflandırma doğruluğu %85 olup doğrusal çekirdek fonksiyonu kullanılarak son yaklaşıklık ile ortalama ayrıntı katsayılarıyla (Yk&OAk) ( ) sağlanmıştır. Son olarak MIAS veritabanına HDD metodu uygulanarak elde edilmiş sonuçlara göre, en yüksek malign-benign sınıflandırma doğruluğu %87 olup, karesel çekirdek fonksiyonu kullanılarak Yk&Oak katsayılarıyla sağlanmıştır.İTF veritabanı kullanılarak, doğrusal çekirdek fonksiyonu ve KDD-Sk ile karesel çekirdek fonksiyonu ve KDD-EYİk katsayılarıyla en yüksek duyarlılık %100; RTF çekirdek fonksiyonu ve KDD-EYİk katsayılarıyla en yüksek seçicilik %95 olarak bulunmuştur. MIAS veritabanı ile doğrusal çekirdek fonksiyonu kullanılarak KDD-Sk katsayılarıyla en yüksek duyarlılık %100; doğrusal çekirdek fonksiyonu kullanılarak KDD-EYİk ve HDD-Tk (tüm katsayılar) katsayılarıyla, karesel çekirdek fonksiyonu kullanılarak ise KDD-Sk ve KDD-EYİk katsayılarıyla en yüksek seçicilik %88 olarak elde edilmiştir. Son olarak; önerilen BDT algoritmasının İTF veritabanı kullanılarak elde edilen en yüksek tanı doğruluğu KDD ile %90.2, HDD ile %81.6, MIAS veritabanı kullanılarak KDD ile %88.4 ve HDD ile %82.7 olarak bulunmuştur. BDT tanı doğruluğu, öznitelik çıkarma öncesinde herhangi bir KDD veya HDD uygulamadan İTF veritabanında %72, MIAS veritabanında %69.4'tür.
Breast cancer is one of the most human life threating cancer types among women. On the other hand, it is curable when early diagnosis is possible with the help of regular mammographic screening and imaging technologies. Digital mammography screening method that is used in breast cancer diagnosis is a recently developing technology. Based on this technology, the masses having the malignant features can be detected in the mammograms investigated by expert radiologists. However sometimes it is hard to diagnose the cancerous masses if they are small in size or seem to have benign features. Normally, when the malign masses which have unique structure, size, geometric shape, edge contour and density are missed, it causes wrong diagnosis. For an accurate and true diagnosis; mammography shootings that have no artifacts, optimum contrast and high resolution should be investigated by a very experienced radiologist in each case. Nevertheless; although imaging technologies have recently been developing fast, sometimes false diagnosis is made. The false diagnosis can be an unnecessary biopsy request or missing the cancerous region causing mortality.Computer Aided Diagnosis (CAD) systems are computer programs that help detection of cancerous regions, interpretation and diagnosis in medical images providing a second eye to the radiologists. In this thesis study firstly the contrast in mammograms is enhanced, the suspicious regions are detected and classification of those regions as mass or tissue is implemented by the proposed CAD system. Next the true positive masses are seperated as malign or benign. Finally the diagnosis accuracy of the CAD system is put forward taking into account the performances of all steps.In this study, a database is constituted that is made up with original mammograms which are acquised from Istanbul University Faculty of Medicine Hospital and used only for this study. Also, MIAS (Mammographic Image Analysis Society) mammogram database which gives free access authorization is also used to compare the classification performance. In image enhancement; Discrete Wavelet Transform, Homomorphic Filtering, Gaussian-Laplacian modelling and adaptive thresholding methods are utilized. For mass detection Local Seed Region Growing (LSRG) method is developed based on the Seed Region Growing method. In the first step of classification, the detected Region of Interests (ROIs) are distinguished each other as mass or tissue. In this step, firstly the coefficients are obtained by applying Spherical Wavelet Transform (SWT) to the region of interests and secondly the features are extracted from those coefficients. The extracted features are related to size, geometric shape, border contour and pixel value which specify typical characteristics of the masses. The feature matrices are classified by using Support Vector Machines (SVM).According to the mass-tissue classification in the İTF database, the classification accuracy is 96% and the number of the false positives per image ( ) is 0.05. The highest sensitivity is 88% and specificity is 98%. In the MIAS database the classification accuracy is 95% and is 0.12. The highest sensitivity is 92% and specificity is 96%.Second step of the classification is seperation of the masses as malign-benign. In this step also Fast Wavelet Transform (FWT) is applied to the detected ROIs to demonstrate the advantages of SWT. According to the results obtained by applying SWT method to the İTF database, the highest malign-benign classification accuracy is reached to 94% using linear kernel function with last scale coefficients (Sk) ( ) and the two highest scales coefficients (EYİk) ( ), also using RBF (Radial Basis Function) with EYİk coefficients. According to the results obtained by applying SWT method to the MIAS database, the highest malign-benign classification accuracy is reached to 93% using quadratic kernel function with last scale coefficients (Sk) ( ). According to the results obtained by applying FWT method to the İTF database, the highest malign-benign classification accuracy is reached to 85% using linear kernel function with last scale approximation coefficients and mean of the detail coefficients (Yk&OAk) ( ). Finally according to the results obtained by applying FWT method to the MIAS database, the highest malign-benign classification accuracy is achieved as 87% using quadratic kernel function with Yk&Oak coefficients.By using the İTF database, the best sensitivity is computed as 100% with linear kernel function and SWT-Sk and with quadratic kernel function and SWT-EYİk coefficients; the best specificity is computed as 95% with RBF kernel function and SWT-EYİk coefficients. With MIAS database the highest sensitivity is obtained as 100% by using linear kernel function and SWT-Sk coefficients; the best specificity is obtained as 88% by using linear kernel function and SWT-EYİk and FWT-Tk (all coefficients) and also using quadratic kernel function and SWT-Sk and SWT-EYİk coefficients. Finally, the best diagnosis accuracy of the proposed CAD algorithm using the İTF database is computed as 90.2% with SWT and 81.6% with FWT and it is computed as 88.4% with SWT and 82.7% with FWT using the MIAS database. In the condition of neither SWT nor FWT is used before feature extraction, the CAD diagnosis accuracy is 72% for İTF database and 69.4% for MIAS database.