Anahtar Kelimeler: Meme kanseri, Görüntü işleme

Bilgisayar Destekli Kanser Teşhis Sistemi
Emre Dandıl, Ufuk Çağlar, İzzet Öztürk
emre.dandil@bilecik.edu.tr, ufukcaglar@ufukcaglar.com, izzet.ozturk@outlook.com
Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, Bilecik
Özet: Meme kanseri kadın ölümlerinin başlıca sebepleri arasında gelmektedir. Bu proje ile ciddi
bir hastalık olan meme kanserinin erken teşhis edilerek gerekli tedavinin uygulanması
planlanmaktadır. Bu projenin ana amacı ise, bilgisayar destekli görüntü işleme yaparak kanser
teşhis sistemi oluşturmaktır. Bu çalışmada meme(breast) kanseri görüntülerini iyi huylu ve kötü
huylu olarak tespit etmeyi sağlayan bilgisayar destekli bir sistem gerçekleştirilmiştir. Tasarlanan
sistem dört aşamadan oluşmuştur. Bu aşamalar görüntü ön işleme, segmentasyon, özellik çıkarımı
ve sınıflandırmadan meydana gelmektedir. Bu sistem içerisindeki OTSU yöntemi ile resim
bölütlenmiştir. Bu bölütlenmiş görüntüye GLCM yöntemi uygulanarak özellik çıkarımı yapılmıştır.
Daha sonra hızlı bir YSA tekniği olan PNN ile sonuçlar iki şekilde kullanıcıya sunulmaktadır. Bu
sonuçlar iyi huylu ve kötü huylu olmak üzere iki gruptur. Sistemin başarı oranı ise %97.2 olarak
tespit edilmiştir.
Anahtar Kelimeler: Meme kanseri, Görüntü işleme, Ön işleme, Bölütleme, Sınıflandırma
Abstract: Breast cancer is the main cause of death among women comes . With this project, which
is a serious disease by early detection of breast cancer is planned to implement the necessary
treatment . The main objective of this project , however, by computer-assisted image processing
system is to create a cancer diagnosis . In this study, breast ( breast ) cancer, benign and malignant
as images capable of detecting a computer aided system was carried out . The designed system is
composed of four stages . These stages include image pre-processing , segmentation, feature
extraction and classification occurs . OTSU method in this system are segmented image . This
segmented image feature extraction is made to the method of GLCM . Then with a quick PNN
results ANN technique, which is presented to the user in two ways . These results are two groups of
benign and malignant . If the success rate of the system was determined to be 97.2 % .
Keywords: Breast cancer,Image processing, Filtering, Segmentasyon, Classification
1.Giriş
Günümüzde görüntü işleme, özellikle dijital
teknolojilerin hızlı gelişimi ile hayatımızın bir
çok alanında kendini göstermeye başlamıştır.
Savunma sanayisinde, tasarım ve imalat
uygulamalarında,
hava
ve
uydu
görüntülerinden hava durumu tahmin
edilmesinde, yeryüzündeki doğal kaynakların
izlenmesinde,
zirai
ürünlerin
tahmin
edilmesinde,
ormanların
gelişimin
incelenmesinde ve tıp alanında kanserli
hücrelerin tespit edilmesi gibi uygulamalarda
sıklıkla
görüntü
işleme
teknikleri
kullanılmaktadır.
Meme kanseri meme hücrelerinde başlayan
bir kanser türüdür. Akciğer kanserinden
sonra, dünyada görülme sıklığı en yüksek
olan kanser türüdür. Her 8 kadından birinin
hayatının belirli bir zamanında meme
kanserine yakalanacağı bildirilmektedir.[1][2]
Erkeklerde de görülmekle beraber, kadın
vakaları erkek vakalarından 100 kat fazladır.
1970’lerden bu yana meme kanserinin
görülme sıklığında artış yaşanmaktadır ve bu
artış modern, batılı yaşam tarzı sebep olarak
gösterilmektedir. Kuzey Amerika ve Avrupa
ülkelerinde görülme sıklığı, dünyanın diğer
bölgelerinde görülme sıklığından fazladır.[3]
Meme kanseri, yayılmadan önce , erken teşhis
edilirse, hasta %96 oranında yaşam şansına
sahip olur. Her yıl 44000'de bir kadın meme
kanserinden ölmektedir. Meme kanserine karşı
en iyi koruyucu yöntem erken teşhisdir.[4]
Meme kanserinin birçok tipi vardır. En sık
rastlanan duktal karsinoma, memenin süt
kanallarında başlar. Meme kanseri memenin
dışına yayıldığında koltuk altındaki lenfatik
nodüller en sık görülen yayılım yerleridir.
Kanser hücreleri memenin diğer Lenf
Nodlarına, Kemiğe, Karaciğer ve Akciğere
yayılabilir. Her kadın meme kanseri gelişme
riskine sahiptir. Gerçekte meme kanseri
gelişen kadınların çoğunda risk faktörleri belli
değildir.[5]
Şekil 1’de meme kanserinin yaşa özel hızlarının
dağılımı gösterilmektedir.
Şekil 1. Meme kanserinin yaşa özel hızlarının
dağılımı(Birleşik Veri Tabanı,2009)[6]
İnsan, yaşamında meme kanserine sebep
olacak herhangi bir yanlış yapmamış olsa da
bu hastalık türüne yakalanma riski vardır.[7]
Tüm sonuçlar meme kanserine karşı en iyi
koruyucu yöntemin erken teşhis olduğunu
göstermektedir. Bu nedenden dolayı görüntü
işleme tekniklerinden faydalanılarak bu
çalışmada bu kanser türünün erken teşhis
edilerek vakit kaybetmeden tedavi kısmına
geçilmesi amaçlanmaktadır.
Bu çalışma 4 aşamadan oluşmaktadır. Birinci
aşama da analog ortamlardan dijital ortamlara
alınan görüntülerinin iyileştirmesi, yani
gürültülerin(noise), bozuklukların onarılması
için görüntü ön işleme yapılmaktadır. İkinci
bölümde
ise
görüntü
Otsu
segmentasyon(bölütleme) yöntemi işlemine
tabi tutularak kanserli kısmın görüntüden
çıkarılması sağlanmıştır. Üçüncü aşama da gri
seviye eş-oluşum matrisi (GLCM-Gray Level
Co-occurence Matrix) ile segmente edilmiş
görüntüye ait özellikler çıkarılmıştır ve son
aşama olan sınıflandırma kısmında Olasılıksal
Sinir Ağları (Probabilistic Neural Network PNN) yönteminde bu özellikler kullanılarak
kanser türünün iyi huylu mu yoksa kötü huylu
mu olduğunu çıktı olarak kullanıcıya veren
kanser teşhis sistemi geliştirilmiştir. Sisteme
ait aşamalar Şekil 2’ de gösterilmiştir.
Sameem Kareem and Farrukh Nagi a Breast
profile
segmentasyon(meme
profili
bölütleme) yöntemini önerdiler. Breast profile
segmentasyon(meme
profil
bölütleme)
mamografi segmentasyon için otomatik bir
tekniktir.
3. Materyal ve Metot
Şekil 2. Kanser teşhis sistemi aşamaları
2. Benzer Çalışmalar
Çeşitli çalışmalarda meme tümörü tespiti için
segmentasyon algoritmaları geliştirilmiş ve bu
algoritmalar
görüntülerin
işlenmesi
sonucunda iyi huylu ve kötü huylu olarak
sınıflandırmak
amacıyla
formülize
edilmişlerdir. Samual H. Lewis and Aijuan
Dong[8] memede oluşan tümörleri tespit
etmek için Marker-Controlled Watershed
bölütleme(segmentasyon)
algoritmasını
geliştirmişlerdir. Bu yöntem ilk olarak
mamogram görüntülerinin ön ve arka
planlarını işaretler ve daha sonra tümör olan
bölgeyi çevresindeki bölgelerden izole etmek
için Watershed bölütleme algoritmasını
uygular. Watershed bölütleme tüm görüntü
içerisindeki
mevcut
piksel
yoğunluk
değişimine
dayanmaktadır.
Marker
–
Controlled Watershed segmentasyon yöntemi
tümör yerini tespit etmede oldukça başarılı
oldu. Watershed segmentasyon değişik
görüntü işleme ve bilgisayarla görme
işlemlerinde
kullanılmıştır.
Arianna
Mencattini, Marcello Salmaeri and Simona
Salicone [9] yaygın olarak meme kanserlerinin
teşhisinde kullanılan CAD(Bilgisayar destekli
algılama-Computer Aided Detection) ve
CADx(Bilgisayar destekli teşhis) sistemlerini
açıklar. Her iki sistemde hastalığın belirtileri
ile ilgili görüntülerdeki kalıpları tespit ederek
onlara bir malignite indeks atamak için
bilgisayar algoritmaları kullanımını içerir.
Sonuç olarak bu algoritmalar sayesinde
görüntülerdeki anormal bölgelere hekimin
dikkatini dikkati çekilmiş olur. Jawad Nagi,
Bu uygulama da matlab teknolojisi
kullanılmıştır.
MATLAB
(MATrix
LABoratory), 1985’de C.B Moler tarafından,
özellikle matris temelli matematik ortamında
kullanılmak üzere geliştirilmiş etkileşimli bir
paket programlama dilidir.[11] MATLAB
mühendislik
hesaplamalarında;
sayısal
hesaplama, veri çözümleri ve grafik işlemleri
için genel amaçlı bir programdır. Bununla
beraber özel amaçlı modüler paketlere de
sahiptir. CONTROL TOOLBOX, SIGNAL
TOOLBOX,
IMAGE
PROCESSİNG
TOOLBOX v.b gibi paket programlar
(CACSD), denetim sistemlerinin tasarımında
çok etkili araçlardır. Ayrıca WINDOWS
ortamında çalışan SIMULINK, etkileşimli
benzetim programlarının hazırlanması ve
çalıştırılmasında
büyük
kolaylıklar
sağlamaktadır. Bu uygulama için MATLAB
R2010a sürümü tercih edilmiştir.
3.1 Matlab Paket Programı Çalışma
Ortamı
Matlab çalışma ortamı Şekil 3 de gösterildiği
gibidir.
Matlab Desktop ana uygulama alanıdır.
Program açıldığında ekrana ilk gelen
kısımdır.
Default(varsayılan)
olarak
görünümü Şekil 3 deki gibidir.
Command Window bölümü ise matlab
komutlarının ve denklemlerinin yazıldığı
kısımdır. Sonuçlar ve komutlar bu kısımda
görüntülenmektedir.
Current Directory çalıştırılan uygulamanın
adresinin bulunduğu kısımdır. Çalışılan
görüntüler bu kısımda saklanıyorsa
bu
dosyaları sadece ismiyle işleme sokabiliriz.
Workspace Browser Command Window da
tanımlanan değişkenler hakkında bilgi verilen
kısımdır. Değişken üzerine çift tıklanıldığında
detay verir.
Command History Window önceden yazılmış
komutların görüldüğü bölümdür. Bu kısımdan
seçilen
komutlar, komut penceresine
kopyalanarak yeniden çalıştırılabilir.
Şekil 3. Matlab paket programı
3.1 Veri Toplama
Matlab da uygulaması gerçekleştirilen kanser
teşhis sisteminin genel mimarisi Şekil 3 de
gösterildiği
gibidir.
Bu
işlemlerin
gerçekleştirilebilmesi
için
ilk
olarak
Uniformed Services University(USUHS)[10]
tıp merkezinden dijital mamografi görüntüleri
elde edilmiştir. Elde edilen görüntülerle bir
veritabanı oluşturulmuştur. Oluşturulan bu
veritabanında 53 tane görüntü bulunmaktadır.
Bu 53 görüntünün 36 tanesi iyi huylu 27
tanesi ise kötü huylu olarak belirlenmiştir. Bu
mamogram görüntülerinin iyi huylu mu yoksa
kötü huylu mu olduğu Uniformed Services
University (USUHS) tıp merkezi hekimleri
tarafından belirlenmiştir.
3.2 Metodoloji
Bu bölümde meme kanseri teşhis siteminin
ayrıntılı bir mimarisi sunulmaktadır. Şekil
4’de de görüldüğü gibi meme kanseri teşhis
sistemi uygulama adımları belirtilmiştir.
Şekil 4. Uygulama mimarisi
A. Görüntü Ön İşleme
Mamogram röntgen görüntülerini ilk haliyle
yorumlamak zordur. Yani analog ortamlardan
dijital ortamlara aktarılan görüntülerde bir
görüntü bozukluğu oluşur. Bu mamogram
görüntülerindeki
gürültüyü(noise)
iyileştirmek ya da azaltmak için çeşitli
görüntü filtreleme yöntemleri kullanılır.
Bunlar filtreleme çeşitlerinden bazıları
imnoise filtreleme, average filtreleme,
unsharp filtreleme, gaussian filtreleme ve
median filtreleme gibi filtreleme çeşitlerinden
oluşmaktadır.
Filtreleme işlemleri temel olarak piksel
değerlerinin değiştirilmesi ile oluşan yeni
değerlerin
değerlendirilmesi
sonucu
oluşmaktadır. Görüntülerdeki oluşturulmuş
olan yeni piksel değerlerine göre görüntünün
bulanıklaştırılması,
keskinleştirilmesi,
parlaklığının artırılması, renk düzeylerinin
anlamlandırılması gibi işlemler yapılarak o
anki ihtiyaca göre görüntü ön işleme yaparak
eldeki görüntünün analog ortamdan dijital
ortama geçtiğinde oluşan gürültünün bir
nebze iyileştirilmesi sağlanarak görüntü daha
sağlıklı bir hale getirilir.
Bu uygulamada median fitreleme yöntemi
kullanılmıştır. Bu filtreleme yönteminde,
orjinal sıralanmış piksel komşularının
arasındaki ortanca değer ile değiştirilir.
Bunun ağırlıklı ortalama filtrelerinden farkı
şudur: Ağırlıklı ortalama filtrelerinde,
komşuların ağırlıklı ortalaması alınır,
hesaplanan bu değer orijinal piksel ile
yeniden ortalanarak sonuç bulunur. Ortanca
filtresinde ise, komşuluk değerleri önce sıraya
konulur, sonra ortadaki değer alınır. Bu değer
doğrudan sonuç kabul edilir. Ortanca değeri
net elde edebilmek için genellikle tek sayıda
komşu seçilir. Eğer hesaplamada çift sayıda
komşu kullanılırsa, bu durumda ortada kalan
iki pikselin aritmetik ortalaması kullanılır.[12]
Şekil 5 de orijinal mamogram görüntüsüne
uygulanmış median filtreleme yöntemi
gösterilmiştir.
Şekil 5. Orijinal mamogram görüntüsüne median filtreleme uygulama
B. Bölütleme İşlemi
Bölütleme(segmentasyon) işlemi mamogram
görüntüleri içerisindeki kitle yani tümör
hatlarını çıkarmak için gereklidir. Mamogram
görüntülerini bölütlemek için OTSU yöntemi
kullanılmıştır.
Otsu segmentasyon yöntemi eşikleme ya da
ikili tonlama gri tonlanmış bir görüntünün
siyah-beyaz(ikili)
uzaya
dönüştürülmesi
işlemidir. Siyah-beyaz görüntüler, görüntü
üzerindeki renklerin pek önemli olmadığı,
görüntü üzerinde belirli şekillerin veya
dizilerin arandığı uygulamalarda işlem
yükünü hafifletmek ve görüntü üzerinde
mantıksal (0-1) işlemleri hızlı bir şekilde
yapabilmek
için
sıklıkla
kullanılan
görüntülerdir. Basitçe gri seviye bir görüntü
üzerinde 0-255 arasında seçilen bir T eşik
değerine göre, siyah-beyaz resim aşağıdaki
şekilde oluşturulur.[13]
Burada T değerinin doğru seçilmesi kritik
önem taşımaktadır. Eğer T değeri çok büyük
seçilirse oluşturulacak yeni görüntüde pek çok
piksel beyaz(1), küçük seçilirse de siyah(0)
olacağından görüntünün içerdiği bilgi ciddi
miktarda azalacaktır. Birkaç resim için ideal
eşik değeri deneme yoluyla bulunabilse de
farklı ışık ortamlarında çekilmiş çok sayıda
görüntü için bu söz konusu olamaz. Bu
nedenle girdi resmine karşılık eşik değerini
otomatik olarak hesaplayan bir algoritma
gerekmektedir. Nobuyuki
Otsu
(1979)
tarafından geliştirilen Otsu metodu ile eşik
değeri görüntü üzerinden hesaplanmaktadır.
Metod görüntü üzerinde iki ayrı sınıf(plan)
olduğunu kabul ederek, bu iki sınıf arasındaki
varyansı maksimum yapacak değeri bulmaya
çalışır. Varyans bir dizinin elemanlarının
dizinin ortalamasına olan uzaklıklarının
karelerinin ortalamasıdır. Bu değere bakarak
dizi içerisindeki değerlerin ortalamaya ne
derece yakın olduğu görülebilir.[13]
Yukarıda N uzunluklu dizi için varyans
hesaplama formülü verilmiştir. Pr(x) ifadesi
xi nin gelme olasılığıdır. Düzgün dağılımlı N
uzunluklu bir dizi için bu değer 1/N dir. MxN
bir görüntü için konuşacak olursak histogram
dizisi hesaplandıktan sonra i tonunun gelme
olasılığı histogram[i]/(MxN) dir. Sınıflar arası
varyans ( siyah-beyaz sınıfları ) aşağıdaki
formül ile bulunur.
Yukarıdaki formüller içerisinde w : sınıfların
olma olasılığını, u : sınıf ortalamalarını temsil
etmektedir.
X(i)
i.
renk
seviyesini
belirtmektedir. Şekil 6 da mamogram
görüntüsüne
OTSU
segmentasyon
uygulanmış hali gösterilmektedir.
Şekil 6. Orjinal mamogram görüntüsüne Otsu metodunun uygulanması
C. Özellik Çıkarımı
Mamogram görüntüleri ön işleme yapılıp
iyileştirme yapıldıktan sonra segmentasyon
işmine tabi tutulmuştur. Bu aşamalardan
sonra artık gri seviye eş oluşum
matrisi(GLCM) ile mamogram görüntülerinin
özellik çıkarımı yapılmıştır.
GLCM, M. Haralick tarafından ortaya atılmış
bir özellik çıkarma yöntemi olup, gri tonlu bir
görüntünün
özniteliğini
çıkarmaya
yaramaktadır. GLCM, iki komşu piksel
arasındaki ilişkiyi tanımlar. Bu piksellerden
birincisi referans pikseli, ikincisi de komşu
piksel olarak bilinir [14]. Matristeki dağılım,
pikseller arasındaki mesafe ve açıya göre
ayarlanır. Bu matris, Ng boyutlu bir kare
matris olup, matrisin her bir elemanı d
mesafesindeki i ve j piksel değerlikli çiftin
oluşum sayısını belirtir[15].
Pikseller arası uzaklığın yanı sıra, piksel
çiftlerinin yönlerinin bilinmesine de gerek
vardır. En çok ortak bilinen yönler ϑ=0, 45,
90, 135 ve bunların simetrik benzerleridir.
Şekil 7 de gri seviye sayısı 8, pikseller arası
uzaklık d=1 ve yön açısı ϑ=0 olarak
hesaplanmış bir eş-oluşum matrisinin örneği
verilmiştir. Burada, imge matrisi içindeki
(1,1) ve (1,2) koordinatındaki (1,1) lik piksel
çifti bir defa tekrarlandığından dolayı, bu
piksel çiftinin eş oluşum matrisindeki (1,1)
koordinatındaki elemanı, 1’e eşit olur. Benzer
şekilde (6,2) piksel çifti, imge matrisi içinde 3
defa tekrarlandığından dolayı, eş oluşum
matrisindeki karşılığı 3’e eşit olur. Bu adımlar
imge matrisi içindeki diğer piksel çiftleri için
de tekrarlanıp, imgeye ait eş oluşum matrisi
hesaplanır.
Şekil 7. Eş oluşum matrisinin elde edilmesi
GLCM, özellik çıkarımı için bilinen en iyi
yöntemlerden biridir ve yaygın olarak
kullanılmaktadır. Görüntü özelliklerini ikili
piksel grupları arasındaki gri seviyesi
değişimlerinin farklı kombinasyonları ile
ilişkili olarak tahmin etmektedir. GLCM
kullanılarak çıkarılan enerji, entropi, karşıtlık,
korelasyon, homojenlik gibi özellikler daha
sonra sınıflama işlemlerinde kullanılarak
kanser türünün iyi huylu mu kötü huylu mu
olduğunu belirten bir çıktı elde edilmektedir
D. Sınıflandırma
Sınıflandırma işlemi bir niteliğin değerini
diğer
nitelikleri
kullanarak
belirleme
işlemidir. Bu uygulamada GLCM ile özellik
çıkarımı
yapılmış
olan
mamogram
görüntülerinin PNN sınıflandırma yöntemiyle
eğitilerek mamogram görüntülerinin iyi huylu
mu yoksa kötü huylu mu olduğunu belirleyen
iki çıktı verilmektedir.
Olasılıksal sinir ağları(Probabilistic Neural
Network-PNN) Bayes-Parzen kestiriciler
olarak da bilinir. K1 ve K2 sınıflarından birine
ait, m-boyutlu bir x vektörü olsun. K1 ve K2
sınıflarına ait olasılık yoğunluk fonksiyonları
F1(x) ve F2(x) olsun. Bayes Teoremi’ne göre
x vektörü,
eşitsizliği doğru ise K1, eşitsizliğin tersi
doğru ise K2 sınıfına aittir. Burada P1 ve P2,
K1 ve K2 sınıflarının görülme olasılığıdır. L1,
x vektörünün K1 sınıfına ait iken K2 olarak
yanlış sınıflama oranı; L2 ise x vektörünün
K2 sınıfına ait iken K1 olarak yanlış sınıflama
oranıdır ve maliyet fonksiyonu olarak
adlandırılır. Buradan görüleceği gibi, F1(x),
F2(x), L1 ve L2’nin bilinmesi durumunda x
vektörünün en yüksek olasılıkla hangi sınıfa
ait olduğu tespit edilebilir [16]. PNN’lerde
sınıflara ait yoğunluk fonksiyonları Parzen
pencereleri [17] kullanılarak aşağıdaki şekilde
bulunur:
Burada n eğitim verisi sayısı, m giriş uzayının
boyutu, i örüntü numarası ve σ ise
ayarlanabilir bir yumuşatma terimidir. Şekil 8
de de PNN sınıflandırma yöntemi şematize
edilmiştir.
Şekil 8. PNN ile sınıflandırma
4. Bilgisayar Destekli Kanser Teşhis Sistemi
Bu projenin ana amacı, bilgisayar destekli
görüntü işleme yaparak kanser teşhis sistemi
sınıflandırma
görüntümüzün
işleminden
kanser
olup
geçirilen
olmadığını
hesaplayan bir program oluşturulmuştur.
oluşturmaktır. Bu kanser türü ise meme
Bu program Şekil 4 de de gösterildiği gibi
kanseri olarak belirlenmiştir ve bilgisayar
görüntü ön işleme, bölütleme, özellik çıkarımı
ortamında çeşitli görüntü işleme teknikleri
ve sınıflandırma olmak üzere 4 aşama da
uygulanarak
gerçekleştirilmiştir.
bu
görüntünün özellikleri
çıkarılmaktadır. Bu özelliklere dayanılarak bir
Şekil 9. Uygulama aşamaları
Uygulama aşamaları Şekil 9 da açık bir
mamogram görüntüsünün iyi huylu mu yoksa
şekilde
bir
kötü huylu mu olduğunu belirten bir çıktı elde
mamogram görüntüsü girdi olarak verilerek 4
edilmektedir. Uygulama örneği Şekil 10 da
görüntü ön işleme, bölütleme, özellik çıkarımı
gösterilmektedir.
gösterilmiştir.
Bu
kısımda
ve sınıflandırma aşamalarından geçirilerek
Şekil 10. Uygulama örneği
Şekil 11 de ise uygulama arayüzünden bir
Veritabanında 36 tane iyi huylu 17 tane kötü
kesit gösterilmektedir. Uygulama arayüzünün
huylu resim bulunmaktadır. Daha sonra
bu alanında PNN ile ağ eğitimi işlemi
eğitimi başlat butonu yardımı ile özelliği
gerçekleştirilmektedir.
özellik
çıkarılmış resimler PNN ile eğitilmektedir. Bu
çıkarımı butonu yardımı ile veritabanımızda
eğitimde 26 tane resim test için 27 tane resim
kayıtlı
ise eğitim için kullanılmıştır.
olan
özellikleri
İlk
mamogram
GLCM
ile
olarak
görüntülerinin
çıkarılmaktadır.
Şekil 11. Uygulama arayüzü
Uygulamamızın ana menüsü Şekil 12 de
buna göre en uygun filtrelemeyi seçer.
gösterilmektedir. Bu arayüzde
Daha
kullanıcı
sonra
görüntü
segmentasyon
başlangıç olarak mamogram görüntülerinin
panelinde bulunan OTSU segmentasyon
bulunduğu veritabanını güncellemiş ise
işlemin
sokulur.
özellik çıkarımı butonu ile tüm resimlerin
GLCM
ile
özelliklerini
bu
yardımıyla özellikleri çıkarılır. Bu özellik
özellikleri çıkarılmış resimler eğitime tabi
çıkarımı bir mat dosyasında saklanır. Daha
tutulur. PNN ile ağ eğitilmiş olur.
sonra bu özellikler eğitilmiş olan PNN
Kullanıcı ilk aşamada elindeki görüntünün
ağına giriş parametresi olarak verilir. Bu
kanser teşhisini gerçekleştirebilmek için bu
gelen değerlere göre eğitilmiş olan PNN
görüntüyü, resmi yükle butonu ile sisteme
ağımız
yükler.
görüntüdeki
Üretilen bu parametre hastalığın iyi huylu
filtreleme
ya da kötü huylu olduğunu belirler. Her
çıkarır.
Yüklenmiş
kirlilikleri
azaltmak
Daha
olan
için
sonra
bir
Bölütlenmiş
özellik
sonuç
işlemlerine tabi tutar. Filtrelenmiş görüntü
işlem
basamağı
axes2 tablosunda görüntülenir. Kullanıcı
gösterilmektedir.
çıkarımı
parametresi
statictext
görüntü
butonu
üretir.
de
Şekil 11. Uygulama çalıştırılmış hali
5. Sonuçlar ve Tartışma
Meme kanseri kadın ölümlerinin başlıca
nedenlerinden biridir. Kanserin erken tanısı
ölüm oranını azaltarak daha fazla tedavi
seçeneği
sunacaktır.
Mamografi
göğüs
kanserinin teşhisi için tarama ve radyoloji
uzmanları tarafından kullanılan en yaygın
soruşturma tekniğidir. Bu son derece hassas
ve düşük maliyetli bir saptama yöntemidir.
Birçok segmentasyon yöntemi algoritmaları
tümör tespiti için kullanılabilir.
Bu uygulama veritabanında 36 tane iyi huylu
17 tane kötü huylu resim bulunmaktadır.
Daha sonra eğitimi başlat butonu yardımı ile
özelliği
çıkarılmış
resimler
PNN
ile
eğitilmektedir. Bu eğitimde 26 tane resim test
için
27
tane
resim
ise
eğitim
için
kullanılmıştır. Ve başarı oranı %97.2 olarak
tespit edilmiştir.