Tez çalışmasının ilk bölümünde, IRMA veritabanı kullanılarak meme kanseri
teşhisi yapabilen bir CAD sistemi önerilmiştir. Çalışmada, LCP öznitelikleri, istatistiksel
ve frekans-düzlemi öznitelikler ile birleştirilerek 108-boyutlu LCP-tabanlı öznitelik
vektörleri elde edilmiştir. Kanser teşhisi, veritabanının yalnızca yağlı doku tipine sahip
imgeleri üzerinde 3-sınıflı ve veritabanındaki tüm imgeler ele alınarak 12-sınıflı olarak
gerçekleştirilmiştir. 12-sınıflı sınıflandırma çalışması için 1- , 2- ve 3-aşamalı sınıflandırma
süreçleri önerilmiş ve bu veritabanı için 12-sınıflı, 3-aşamalı sınıflandırma sürecinin
%93,52 doğruluk oranı ile en başarılı performansı sağladığı görülmüştür. İstatistiksel,
frekans-düzlemi ve LCP öznitelik vektörleri literatürde kullanılmakta iken, bu üç vektörün
birleştirilmesi ile elde edilen ve veriyi ayırt ediciliği daha yüksek olan 108-boyutlu LCPtabanlı
öznitelik vektörlerinin oluşturulması çalışmanın özgünlüğünü göstermektedir.
Tez çalışmasının ikinci bölümünde ise MIAS veritabanı kullanılarak meme doku
tespiti, meme kanseri tespit ve teşhisi yapabilen bir CAD sistemi önerilmiştir. Çalışmada,
pektoral kas tespiti için, bölge büyütme ve doğru oturtma algoritmaları birlikte kullanılarak
özgün bir yöntem geliştirilmiş ve %4,15 ortalama FPR, %3,28 ortalama FNR değerleri
elde edilmiştir. Meme doku tipi tespiti için GLCM matrislerinden çıkartılan doku
özniteliklerinin 1- ve 2-aşamalı sınıflandırma süreçleri sonucunda %82,48 doğruluk oranı
elde edilmiştir. Chan-Vese aktif kontur modelleme yöntemi kullanılarak ROI tespiti
gerçekleştirilmiş ve ROI’lerden 11-boyutlu mamografik öznitelikler çıkartılarak
indekslenmiştir. İndekslenen özniteliklerin sınıflandırılması sonucunda %83,25 doğruluk
oranı ile meme kanseri teşhisi başarılmıştır.
In the first part of the thesis study, a CAD system implementing breast cancer
diagnosis using IRMA database is proposed. In the study, 108-dimensional LCP-based
feature vectors are obtained by concatenating the LCP features with statistical and
frequency-domain features. Cancer diagnosis is realized as 3-class classification using only
the fatty tissue type of the database and 12-class classification by considering all images in
the database. For the 12-class classification study, 1-, 2- and 3-stage classification
processes are proposed and it is observed that 12-class, 3-stage classification process
performs best with 93.52% accuracy rate for this database. Although the statistical,
frequency-domain and LCP feature vectors are used in the literature, construction of higher
discriminative 108-dimensional LCP-based feature vectors obtained by concatenating these
three vectors shows the originality of this study.
In the second part of the thesis study, a CAD system implementing breast tissue
type detection, breast cancer detection and diagnosis using MIAS database is proposed. In
the study, an original method is developed for pectoral muscle detection by using region
growing and line fitting algorithms together, and 4.15% mean FPR, 3.28% mean FNR
values are obtained. 82.48% accuracy rate is obtained concluding by 1- and 2-stage
classification of the tissue features extracted from the GLCM matrices for breast tissue
type detection. ROI detection is performed by using Chan-Vese active contour modeling
method, and 11-dimensional mammographic features of the ROIs are extracted and
indexed. In consequence of classification of the indexed features, breast cancer diagnosis is
achieved with 83.25% accuracy.
