Mamografi görüntülerinin yorumlanmasıyla bilgisayarlı teşhis sisteminin tasarımı

Abstract

Bu çalışmada, mamografi görüntülerindeki meme kanserine neden olan kitle ve mikrokalsifikasyon olmak üzere en önemli iki anormalliğin tespiti ve bu anormalliklerin iyi huylu/kötü huylu değerlendirilmesi için yeni yaklaşımlar ortaya konularak bütün bir tespit ve teşhis sisteminin tasarımı gerçekleştirilmiştir. Burada, kitle görüntülerinin iyileştirilmesi için farklı yöntemlerin hibrid kullanımı ile özgün bir iyileştirme algoritması ve şüpheli kitle bölgelerinin belirlenmesinde kullanılan Havrda&Charvat entropisine dayalı bölütlemede dinamik parametre kullanımı için formül geliştirilmiştir. Bununla birlikte, kitle tespiti için yeni bir yaklaşım olarak yapay sinir ağı ve olasılıklı sinir ağı yöntemleri kullanılmıştır. Benzer şekilde, mikrokalsifikasyonların tespiti için de yapay ve kademeli korelasyon sinir ağı yöntemleri kullanılmıştır. Tespit edilen kitle ve mikrokalsifikasyon bölgelerinin iyi huylu/kötü huylu değerlendirilmesi için sırasıyla K-ortalama ile tekli karar ağacı ve destek vektör makinası ile lineer diskriminant analiz yöntemlerinin hibrid kullanımları yeni yaklaşımlar olarak uygulanmıştır. Yapılan çalışmada kullanılan MIAS veritabanı üzerinde kitle tespiti için %84.5 duyarlılık, %99.5 özgüllük ve 0.254 FPpI; mikrokalsifikasyonların tespiti için %86 duyarlılık, %98.3 özgüllük ve 1.163 FPpI; kitle ve mikrokalsifikasyonların iyi huylu/kötü huylu doğru değerlendirme oranları sırasıyla ortalama %93.9 ve %100 olarak elde edilmiştir. Elde edilen sonuçların literatürdeki benzer çalışmalarla kıyaslanması gerçekleştirilerek üstünlükleri ortaya koyulmuştur. In this study, the design of a complete detection and diagnosis system for mammography images was carried out by putting new approaches for detecting the masses and microcalcifications which are the most important abnormalities that causes the breast cancer, and evaluating benignity/malignancy of these abnormalities. Here, with the use of different methods hybrid for mass images enhancement, an unique enhancement algorithm and with the use of a dynamic parameter in Havrda&Charvat entropy based segmentation for identifying suspicious mass regions, a formula have been developed. Furthermore, as a new approach for mass detection, artificial and probabilistic neural network methods were used. Similarly, for the detection of microcalcifications, artificial and cascade correlation neural network methods were used. For benign/malign evaluation of detected mass and microcalcification regions the hybrid use of K-Means with single decision tree and support vector machine with linear discriminant analysis methods were used respectively as a new approach. In this study, on MIAS database for mass detection 84.5% sensitivity, 99.5% specificity and 0.254 FPpI; for microcalcifications detection 86% sensitivity, 98.3% specificity and 1.163 FPpI; average accurate rates for benign/malign evaluation of mass and microcalcifications are respectively 93.9% and 100% were obtained. By performing the comparison of these obtained results on MIAS database with the similar studies in literature, advatages have been outlined.