Görüntü zenginleştirme ve hücresel YSA kullanarak meme kanseri teşhisi
Yükleniyor...
Dosyalar
Tarih
2013-10-03
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Meme kanseri dünya genelinde yaygın bir sorundur. Türkiye?de meme kanseri her 8-10 kadından birisinde görülmekte ve Türk kadınları arasında akciğer kanserinden sonra ölüme neden olma açısından ikinci sırada yer almaktadır. Meme kanserinin en önemli belirtisi memede oluşan mikrokalsifikasyonlardır. Bununla beraber memede görünen kitlelerin benign (iyi huylu) veya malign (kötü huylu) olmasına göre sınıflandırılabilmesi hastalığın tedavisinde önemli bir rol oynamaktadır. Meme kanserini belirlemede çeşitli görüntüleme yöntemleri kullanılmaktadır. Mamografi, bu görüntüleme yöntemleri içinde en yaygın ve ucuz olanıdır. Fakat başarı yüzdesi uzman doktorun tecrübe ve dikkatine bağlıdır. Kadınlarda meme kanseri vakalarının erken teşhisi için mamogram görüntülerindeki mikrokalsifikasyonların ve kitlelerin sınıflandırılmasında, uzmanlara yardımcı olacak bir karar destek sistemi geliştirilmesi bu tez çalışmasında hedeflenmiştir. Geliştirilen Karar Destek Sistemi, ön işlem, güçlendirme, bölütleme ve sınıflandırma aşamalarından oluşmaktadır. Ön işlem adımında sayısal veya sayısallaştırılmış mamogram görüntüleri üzerinde görüntü boyutunun ayarlanması işlemi yapılmıştır. Daha sonra görüntü üzerinde gri formata dönüştürme, görüntü netleştirme işlemi uygulanmıştır. Güçlendirme aşamasında, mamogram görüntüleri için yeni geliştirilen Otomatik Kitle Yoğunluğunun Güçlendirilmesi (ALIE) algoritması uygulanmıştır. Bu algoritma histogram temellidir ve mamogram görüntülerindeki arka planın yoğunluk seviyesini düşürürken, anormal bölgelerin yoğunluk seviyesini güçlendirmektedir. Güçlendirme işleminde mamogram görüntüsündeki pektoral kas ve etiketli bölgelerin görüntüden çıkarımı opsiyoneldir. Bölütleme adımında, genetik algoritma ile eğitilmiş Hücresel Yapay Sinir Ağları (HYSA) kullanılarak mikrokalsifikasyon ve tümörler belirlenmiştir. HYSA?nın parametrelerinin belirlenmesi işleminde Genetik Algoritma için uygunluk fonksiyonu olarak korelasyon fonksiyonu kullanılmıştır. Sınıflandırma aşamasında, kitleleri ve mikrokalsifikasyonları belirlemek için görüntüler üzerinde şekil analizi kullanılarak sınıflandırma yapılmıştır. Mikrokalsifikasyon taneciklerinin ve kitlelerin mamogram görüntüleri üzerinde belirlenmesi amacıyla şekil analizine dayalı bir sınıflandırma fonksiyonu kullanılmıştır. Tez çalışmasında geliştirilen Karar Destek Sistemi, MIAS (The Mammography Image Analysis Society) veri tabanındaki etiketlenmiş 100 adet mamogram görüntü ve Necmettin Erbakan Üniversitesi Meram Tıp Fakültesi Radyoloji anabilim dalından 84 hastadan alınan etiketlenmiş, 286 adet mamogram görüntüden oluşan veri seti kullanılarak test edilmiştir. Geliştirilen Karar Destek Sistemi hastane verilerinden alınan 261 mamogram görüntünün 238?ini doğru, 23?ünü yanlış sınıflandırarak %93.1 duyarlılık ve %91.3 doğruluk değerine, MIAS verilerinden alınan 100 mamogram görüntünün 82?sini doğru, 18?ini yanlış sınıflandırarak %91.0 duyarlılık ve %82.0 doğruluk değerine ulaşmıştır. Hastane verilerinden 25 mamogram (261 mamogram görüntüden farklı) görüntü üzerinde, geliştirilen Karar Destek Sistemi ve uzman radyoloğun sınıflandırma değerlendirmesi yapılmıştır. Karar Destek Sistemi hastane verilerinden alınan 25 mamogram görüntünün 23?ünü doğru, 2?sini yanlış sınıflandırarak %95.2 duyarlılık ve %92.0 doğruluk değerine ulaşmıştır.
Breast cancer is a common problem in global scale. It is seen in one of every 8 to 10 women in Turkey. Among the Turkish women in top 10 cancers, the incidence of breast cancer ranked second after lung cancer in terms of cause of death. The most important symptom of breast cancer is microcalcifications in breast. However, classification of the masses in breast as malignant or benign plays an important role in the treatment of the disease. There are various imaging modalities used in determining breast cancer. Mammography is the most common and the cheapest one of these imaging methods. However, the percentage of success depends on the experience and the attention of the attending. This thesis aimed to develop a decision support system for helping early detection of breast cancer among women and classification of microcalcifications and masses in mammogram images. The Developed Decision Support System consists of pre-processing, enhancement, segmentation and classification stages. Pre-processing step of the algorithm is image size adjustment of digital or digitized images and conversion to the gray image format and image sharpening processes are also applied. In the enhancement stage, the newly developed Automated Lesion Intensity Mammogram Images Enhancer (ALIE) algorithm is applied. This algorithm is based on the histogram analysis and it reduces the intensity level of the background while strengthening the abnormal regions in the mammogram images. In the enhancement process, extraction of the pectoral muscle and the labeled regions from mammogram images is optional. In the Segmentation step microcalcifications and tumors are determined using Cellular Neural Network (CNN) trained with genetic algorithm. In the process of determining the parameters of the CNN?s the correlation function is used as the fitness function for Genetic Algorithm. In the Classification phase, a function based on shape analysis of the emphasized images is used to classify the masses and microcalcifications. In this thesis the developed Decision Support System was tested with a data set consist of 100 mammogram images from MIAS (The Mammography Image Analysis Society), 286 images obtained from 84 patients from the Necmettin Erbakan University, Meram Medical Faculty Department of Radiology. The developed Decision Support System achieved 91.3% accuracy and 93.1% sensitivity rates by classifying 238 correctly and 23 incorrectly of 261 mammogram images obtained from hospital data. It also achieved 82.0% accuracy and 91.0% sensitivity rates by classifying 82 correctly and 18 incorrectly of 100 mammogram images obtained from MIAS database. 25 mammogram images, obtained from hospital database (different than the 261 mammogram images) was classified and evaluated by an expert radiologist and the developed decision support system. The test is performed with an experienced radiologist and the developed Decision Support System achieved 92.0% accuracy and 95.2% sensitivity rates by classifying 23 correctly and 2 incorrectly of 25 mammogram images obtained from hospital data.
Breast cancer is a common problem in global scale. It is seen in one of every 8 to 10 women in Turkey. Among the Turkish women in top 10 cancers, the incidence of breast cancer ranked second after lung cancer in terms of cause of death. The most important symptom of breast cancer is microcalcifications in breast. However, classification of the masses in breast as malignant or benign plays an important role in the treatment of the disease. There are various imaging modalities used in determining breast cancer. Mammography is the most common and the cheapest one of these imaging methods. However, the percentage of success depends on the experience and the attention of the attending. This thesis aimed to develop a decision support system for helping early detection of breast cancer among women and classification of microcalcifications and masses in mammogram images. The Developed Decision Support System consists of pre-processing, enhancement, segmentation and classification stages. Pre-processing step of the algorithm is image size adjustment of digital or digitized images and conversion to the gray image format and image sharpening processes are also applied. In the enhancement stage, the newly developed Automated Lesion Intensity Mammogram Images Enhancer (ALIE) algorithm is applied. This algorithm is based on the histogram analysis and it reduces the intensity level of the background while strengthening the abnormal regions in the mammogram images. In the enhancement process, extraction of the pectoral muscle and the labeled regions from mammogram images is optional. In the Segmentation step microcalcifications and tumors are determined using Cellular Neural Network (CNN) trained with genetic algorithm. In the process of determining the parameters of the CNN?s the correlation function is used as the fitness function for Genetic Algorithm. In the Classification phase, a function based on shape analysis of the emphasized images is used to classify the masses and microcalcifications. In this thesis the developed Decision Support System was tested with a data set consist of 100 mammogram images from MIAS (The Mammography Image Analysis Society), 286 images obtained from 84 patients from the Necmettin Erbakan University, Meram Medical Faculty Department of Radiology. The developed Decision Support System achieved 91.3% accuracy and 93.1% sensitivity rates by classifying 238 correctly and 23 incorrectly of 261 mammogram images obtained from hospital data. It also achieved 82.0% accuracy and 91.0% sensitivity rates by classifying 82 correctly and 18 incorrectly of 100 mammogram images obtained from MIAS database. 25 mammogram images, obtained from hospital database (different than the 261 mammogram images) was classified and evaluated by an expert radiologist and the developed decision support system. The test is performed with an experienced radiologist and the developed Decision Support System achieved 92.0% accuracy and 95.2% sensitivity rates by classifying 23 correctly and 2 incorrectly of 25 mammogram images obtained from hospital data.
Açıklama
Anahtar Kelimeler
Görüntü güçlendirme, Mamogram, Image enhancement, Mikrokalsifikasyon, Mammograms, Microcalcification, Pektoral kas, Pectoral muscle, Genetik algoritma, Automated lesion intensity enhancer, Cellular neural network, Hücresel yapay sinir ağı, Genetic algorithm, Otomatik kitle yoğunluğunun güçlendirilmesi
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Civcik, L. (2013). Görüntü zenginleştirme ve hücresel YSA kullanarak meme kanseri teşhisi. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya.
