Bu tezde, akciğer x-ray röntgenleri kullanılarak akciğerdeki şüpheli dokular otomatik olarak tespit edilmiş ve şüpheli dokular iyi huylu nodül, kötü huylu nodül ve nodülsüz olarak üç sınıfa ayrılmıştır. İlk önce akciğer dokusu dışındaki dokular eşikleme yöntemi ile çıkarılmıştır. Akciğer röntgen imgelerinde kaburga kemikleri nodüllü bölge ile örtüşebilir. Bu durum nodülün saptanmasını zorlaştıracağından kaburga kemiklerinin saptanması ve bastırılması gerekmektedir. Şablon eşleme yöntemi ile kaburga kemiklerinin yerleri saptanmış ve bu yerlere Gabor filtresi uygulanarak kemikler bastırılmıştır. Bu aşamadan sonra Kenarsız Chan-Vese algoritması kullanılarak akciğerdeki şüpheli dokular bulunmuş ve bu dokulardan öznitelikler çıkarılmıştır. İstatistiksel öznitelikler, Yönlendirilmiş Gradyanların Histogramı öznitelikleri, Yerel İkili Örüntü öznitelikleri, Geometrik öznitelikler, Gri Seviye Eş-Oluşum Matrisi öznitelikleri ve Ölçekten Bağımsız Yoğun Öznitelik Dönüşümü olmak üzere altı farklı öznitelik çıkarımı yapılmıştır. Daha sonra bu öznitelikler kullanılarak sınıflandırma aşamasına geçilmiştir. İstatistiksel öznitelikler, Yönlendirilmiş Gradyanların Histogramı öznitelikleri ve Yerel İkili Örüntü öznitelikleri kullanılarak öznitelik vektörü oluşturulduğunda daha iyi sınıflandırma sonuçları gözlemlenmiştir. Sınıflandırma sonuçları hassasiyet, kesinlik ve doğruluk üzerinden değerlendirilmiştir. Sınıflandırmada, k-En Yakın Komşu, Karar Ağacı, Rastgele Orman, Lojistik Regresyon Sınıflandırıcısı, Destek Vektör Makineleri, Fisher Doğrusal Ayırtaç Analizi ve Naive Bayes sınıflandırıcıları kullanılmıştır. Rasgele orman sınıflandırıcısı %56 hassasiyet, %65 doğruluk ve %81 kesinlik ile en iyi sonuçları vermiştir.
Suspicious regions in lung x-rays were detected automatically and these regions were classified into three groups like malignant nodule, benign nodule and healthy. Firstly, using thresholding method non-lung areas were removed. Ribs may overlap with nodules in lung x-rays. Since this will make the detection of the nodule difficult, it is necessary to detect and suppress the ribs. The location of the rib bones was determined by the template matching method and the bones were suppressed by applying Gabor filter. After this stage, suspicious tissues in the lung were found by using the Chan-Vese without edge algorithm and features were extracted from these tissues. Six different attributes were extracted: Statistical, Histogram of Oriented Gradients, Local Binary Pattern, Geometric, Gray Level CoOccurence Matrix and Dense Scale Invariant Feature Transform. Then classifation stage was started using these features. Best classification result was obtained using statistical, local binary pattern and histogram of gradients features. Classification results were evaluated with precision, accuracy and accuracy. k-Nearest Neighbor, Decision Tree, Random Forest, Logistic Linear Classifier, Support Vector Machines, Fisher’s Linear Discriminant Analysis and Naive Bayes were used in the classification. The random forest classifier gave the best results with 56% sensitivity, 65% accuracy and 81% specificity.
