Sayısal Mamografi Görüntülerine Yapay Zeka Yöntemlerinin Uygulanması

Abstract

Meme kanseri tüm dünyada kadınlarda en sık karşılaşılan ve kadınların ölümüne neden olan kanser türüdür. Meme kanserini henüz kesin önleyen bir yöntem yoktur. Günümüzde bilinen tek yöntem, erken tanıdır. Mamografi, memenin çeşitli açılardan röntgeninin alınmasıdır ve meme kanserinin erken teşhisinde en iyi görüntüleme tekniğidir. Yaklaşık olarak meme kanserlerinin %85-90'ı mamografi görüntülerinin incelenmesi ile elde edilirken, görüntülenen tümörlerin %10-15'i görüntüleme sürecindeki teknik problemler nedeniyle radyologlar tarafından gözden kaçırılmaktadır.Bilgisayar destekli teşhis (BDT), memedeki anormallikleri tespit etmek için bilgisayarlaştırılmış algoritmaları kullanmaktadır ve meme kanserinin tanısında radyoloji uzmanlarına ikinci bir görüş olarak yardımcı olmaktadır.Bu çalışmada mamogramlardaki anormallikleri (mikrokalsifikasyonları) tespit etmek ve sınıflandırmak için BDT sistemi tasarlanmıştır. Geliştirilen BDT sistemi; ön işleme, bölümleme, özellik çıkarımı, özellik seçimi ve sınıflandırma olarak beş bölümden oluşmaktadır.Ön işleme bölümünde görüntüyü iyileştirmek ve gürültüyü atmak için çoklu ölçekli morfolojik iyileştirme t ekniği kullanılmıştır. İyileştirilmiş mamogram görüntülerini bölümlemek için yerel eşikleme yöntemi kullanılmıştır.Özellik çıkarımı aşamasında iyileştirilmiş mamogram görüntülerinden uzaysal özellikler, dokusal özellikler, bölümlenmiş mamogram görüntülerinden şekil tabanlı özellikler çıkarılmıştır.Özellik seçimi aşamasında, Temel bileşenler analizi (TBA) yöntemi kullanılarak boyut azaltımı gerçekleştirilmiştir.Sınıflandırma aşamasında, çok katmanlı yapay sinir ağı (ÇKYSA) ve destek vektör makinesi (DVM) kullanılmıştır. Mamogram görüntüleri, normal ve anormal olarak sınıflandırılmıştır. Mamogramları normal ve anormal olarak sınıflandırmada, TBA ile boyut azaltımı gerçekleştirildiğinde elde edilen özellikler kullanıldığında, ÇKYSA sınıflandırıcı için %91,1, DVM sınıflandırıcı için %94,1 başarım doğruluğu elde edilmiştir. Mikrokalsifikasyon içeren mamogramları, iyi huylu ve kötü huylu olarak sınıflandırmada, TBA ile boyut azaltımı gerçekleştirildiğinde elde edilen özellikler kullanıldığında, ÇKYSA sınıflandırıcı için %91,7, DVM sınıflandırıcı için %83,3 başarım doğruluğu elde edilmiştir.

Breast cancer is the most common cancer among women and the leading cause of cancer deaths in women. The early detection of breast cancer can be the key to survival. Mammography is x-ray imaging technique of different views of breast, and plays a major role in the early detection of breast cancer. Mammography can find about 85 to 90 percent of breast cancer in women, but 15 to 10 percent of breast lesions are missed during routine screening. A computer aided diagnosis (CAD) system uses computerized algorithms in order to detect breast abnormalities. CAD system works like a second opinion in helping radiologists during diagnostic process.In this study CAD system is designed to detect mammographic abnormalities. Designed CAD system includes preprocessing, segmentation, feature extraction, feature selection and classification stages. In preprocessing step, multiscale morphology technique is used to enhance mammograms and to remove noise. Local thresholding technique is used to segment enhanced mammograms. In feature extraction step spatial features, textural features are extracted from enhanced mammograms, morphologic features are extracted from segmented mammograms. In feature selection step, principal component analysis is used for dimension reduction.In classification step, multi layer neural networks (MLP) and support vector machines (SVM) are used. Mammograms are classified as normal or abnormal. In classification mamograms as normal or abnormal, the results using features selected by TBA method has best performance. It achieves 91,1% for MLP, 94,1% for SVM. Mammograms with microcalcification are classified as benign or malignant. In classification mammograms with microcalcification as benign or malign, the results using features selected by TBA method has best performance. It achieves 91,7% for MLP, 83,3% for SVM.