Bu tezde, mamogram imgeleri kullanılarak çağımızda en sık karşılaşılan kanser türlerinden biri olan göğüs kanserinin tanısı ve teşhisi hedeflenmiştir. Bu amaç doğrultusunda, tezin ilk aşamasında, X-ışını mamogramları üzerinden normal ve kanserli dokuyu ayırt etmek için çalışmalar yapılmıştır. Bu kapsamda, Histogram of Oriented Gradients (Yönlendirilmiş Gradyanların Histogramı, HOG), Dense Scale Invariant Feature Transform (Ölçekten Bağımsız Yoğun Öznitelik Dönüşümü, DSIFT), Local Configuration Pattern (Yerel Konfigürasyon Örüntüsü, LCP) öznitelik çıkartma yöntemleri kullanılmıştır. Elde edilen öznitelikler, Support Vector Machine (Destekçi Vektör Makinesi, SVM), K-Nearest Neighbour (K-En Yakın Komşu, KNN), Fisher Linear Discriminant Analysis (Fisher Doğrusal Ayırtaç Analizi, FLDA) ve Karar Ağacı sınıflandırıcılarına tabi tutulmuş ve %100 tanıma oranı başarısı sağlanmıştır. Tezin ikinci aşamasında ise, normal, iyi huylu ve kötü huylu göğüs kanseri yapılarının sınıflandırılması amaçlanmıştır. Bu bağlamda, öncelikle, iki sınıflı çalışmada kullanılan yöntemler tekrarlanmış olup; istenilen sonuçlar alınamamıştır. Başarı oranlarını arttırmak için, iki adet farklı ve yeni yaklaşım bu tez kapsamında önerilmiştir. Bu yaklaşımlardan ilki, öznitelik çıkartım adımından önce bazı önişlemler uygulanmasını öngören ve çeşitli ağırlıklandırma parametrelerine sahip Weighted-Wavelet LCP (Ağırlıklı Dalgacık Yerel Konfigrasyon Örüntüsü, WWLCP) yöntemidir. Önerilen yaklaşımlardan ikincisi ise, iki sınıflı çalışmada %100 başarı sağlamış öznitelik çıkartma yöntemini kullanarak öncelikle normal dokuların düzgün bir şekilde ayrılmasını sağlayan ve ardından WWLCP yöntemini kullanarak iyi huylu-kötü huylu kanser dokusu teşhisini gerçekleştiren iki seviyeli çalışmadır. Bu iki seviyeli çalışmada, IRMA (Image Retrieval in Medical Applications) projesi kapsamında edinilmiş veritabanı için % 99,20 gibi üstün bir sınıflandırma başarısına ulaşılmıştır.
This thesis aims to make detection and diagnosis of breast cancer which is the most frequently seen cancers in this day and age. Firstly, a two-class classfication, normal and cancerous breast tissue detection is performed on X-ray mammograms images toward this purpose. Within this scope, Histogram of Oriented (HOG), Dense Scale Invariant Feature Transform (DSIFT), Local Configuration Pattern (LCP) feature extraction techniques are used. Extracted features are used to train and test the following classifiers; Support Vector Machine (SVM), K-Nearest Neighbour (KNN), Fisher Linear Discriminant Analysis (FLDA) and Decision Tree which results recognition rates of 100%. Secondly, classification of normal, benign and malignant structures on digitized mammograms are tried to be performed. To do so, same feature extraction techniques of two-class classification are used. Though, satisfactory results could not be met. Two different newly proposed approaches are presented to increase classification results. First one uses some pre-processing methods and different weighting parameters named Weighted-Wavelet LCP (WWLCP). Second approach, proposes a two level classification that combines feature extraction techniques that have 100% performance in classifying normal tissues against cancerous ones with WWLCP method which distinguishes benign and malignant tumors accurately. Outstanding results are obtain as 99,20 % for the database that is retrieved by IRMA (Image Retrieval in Medical Applications) project with the presented two-level classification technique.