3 boyutlu görüntülerden beyin tümörlerinin bilgisayar destekli tespiti

Abstract

3 BOYUTLU GÖRÜNTÜLERDEN BEYİN TÜMÖRLERİNİN BİLGİSAYAR DESTEKLİ TESPİTİ Bilgisayar destekli tespit sistemleri, görüntü işleme tekniklerini kullanarak, radyoloji uzmanlarına kitle tespiti konusunda yardımcı olmayı hedeflemektedir. Bu tez çalışmasında, 3 boyutlu beyin MRI (Magnetic Resonance Imaging) görüntüleri üzerinde kitle tespit işleminin gerçekleştirilmesi amaçlanmıştır. Bilgisayar destekli tespit işlemleri genel olarak dört aşamadan oluşmaktadır. Bu aşamalar sırasıyla, görüntü ön-işleme, bölütleme, özellik çıkarımı ve sınıflandırma aşamalarıdır. Bu tez çalışmasında, geliştirilen bilgisayar destekli tespit sisteminin aşamalarında çeşitli teknikler kullanılarak, bu kullanılan tekniklerin sonuçlara olumlu ve olumsuz etkileri araştırıldı. Ön-işleme ve bölütleme aşamalarındaki işlemler sonucunda elde edilen ilgi bölgeleri etiketlenerek, özellik çıkarımı aşamasında bu ilgi bölgelerinin özellikleri çıkarılmış ve son aşamada bu özelliklere göre ilgi bölgelerinin kitle olup olmadığı sınıflandırılmıştır. Beyin MRI görüntülerinde kitle tespitinde yüksek başarı yüzdesi elde edebilmek için öncelikle görüntüler üzerinde İB (İlgi Bölgesi)’lerin başarılı bir şekilde tespit edilmesi gerekmektedir. Bu tez çalışmasında ön-işleme aşamasında kitle olabilecek bölgelerin daha belirgin hale getirilmesi ve başarılı bir bölütleme işlemi gerçekleştirmek için histogram eşitleme, keskinleştirici maskeleme ve aşınma ile genleşme algoritmaları kullanıldı. Görüntüler üzerinde bölütleme işlemi yapılırken kitle olmayan İB’lerin sayısının çok olması sınıflandırma aşamasında sonuçlar üzerinde olumsuz bir etki oluşturduğu gözlemlendi. Bu sebeple ön-işleme ve bölütleme aşamalarında kullanılan histogram eşitleme, keskinleştirici maskeleme, aşınma ve genleşme algoritmaları ile farklı eşikleme (Thresholding) değerleri kullanılarak en başarılı tespit işlemi gerçekleştirilmeye çalışıldı. Bu doğrultuda üç farklı sistem geliştirilerek bu sistemlerden elde edilen sonuçlar karşılaştırıldı. Ön-işleme ve bölütleme aşamalarında İB’ler belirlendikten sonra bu bölgeler etiketlenerek, her bir etiketli bölgenin özellik çıkarımı işlemi yapıldı. Özellik çıkarımı aşamasında, sınıflandırma işleminde kitle bölgeleri ile kitle olmayan bölgelerin birbirinden ayrılmasını sağlayan özellikler seçilerek kullanıldı. Sınıflandırma aşamasında, Karar Ağaçları (Decision Tree), Naive Bayes, Yapay Sinir Ağları (Artificial Neural Network), Destek Vektör Makineleri (Support Vector Machines), Gelişmeye Dayalı Destek Vektör Makineleri (Support Vector Machines Evolutionary), Parçacık Sürü Optimizasyon Tekniğine Dayalı Destek Vektör Makineleri (Support Vector Machines Particle Swarm Optimization (SVM-PSO), K En Yakın Komşu (K Nearest Neighbor) sınıflandırma algoritmaları kullanıldı, birbirleriyle karşılaştırılan algoritmalar içerisinde en başarılı K en yakın komşuluk, SVM-PSO ve gelişmeye dayalı destek vektör makineleri olmuştur.

COMPUTER AIDED DETECTION OF 3-DIMENSIONAL IMAGES OF BRAIN TUMORS Computer-aided detection systems goal to help radiology experts in mass detection using image processing techniques. This study aims to realize mass detection process on the three-dimensional brain MRI (Magnetic Resonance Imaging) images. Computer-aided detection process consists of four steps in general. These phases are image pre-processing, segmentation, feature extraction and classification stages, respectively. This study intends to observe the effects of positive and negative results by using various techniques developed in stages of computer-aided detection system. At the end of the pre-processing and segmentation stages, regions of interest are labeled, and in the feature extraction stage the regions of interest are issued to characteristics, and finally in the final stage the regions of interest are classified which are whether or not mass according to these features. IA (Interest Area)’s need to be determined successfully to achieve high success rate on the brain MRI images of mass determination. Stages of the pre-processing and segmentation process are executed as a result of detected IA’s. In this thesis, in pre-processing stage the areas that can be mass is made to be more clear and histogram equalization, sharpener masking, erosion and dilation algorithms are used to perform successful segmentation process. While segmentation process is implemented on the images, the big number of IA’s which is not mass creates a negative effect on the results observed in the classification stage. For this reason, histogram equalization, sharpener masking, erosion and dilation algorithms which are used in pre-processing and segmentation phases and identification of the most successful realization process are studied by using the thresholding values. Accordingly, three different systems are developed and the obtained results are compared from these systems. After determining the pre-processing and segmentation stages of the IA's, the areas are labeled and, each labeled area's feature extraction procedures are performed. In the feature extraction stage, the classification process is used by selecting the features that allow the separation of the regions with mass area and without mass area. In classification stage which is the last stage of the computer-aided detection systems, 20 classification algorithms are tested which are in the RapidMiner program, and 7 of these algorithms which gives the most successful results are used in this thesis to compare with each other. Decision Tree, Naive Bayes, Artificial Neural Network, Support Vector Machines, Support Vector Machines Evolutionary, Support Vector Machines Particle Swarm Optimization (SVM-PSO), K Nearest Neighbor classification algorithms are used in this study, and compared with each other.