Pulmoner nodüller için bilgisayar destekli teşhis sistemi
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Pulmoner nodüllerin erken teşhisi, akciğer kanserinin teşhis ve tedavisi için oldukça büyük önem arz etmektedir. Son yıllarda teknolojinin hızlı gelişmesi ile birlikte küçük boyuttaki pulmoner nodüllerin yüksek çözünürlükle görüntülenmesine olanak sağlayan çok detektörlü bilgisayar tomografi (BT) sistemleri kullanılmaktadır. Bu durum radyologlara uzun ve yorucu bir değerlendirme aşamasını beraberinde getirmektedir. Bu amaçla son yıllarda tıp alanında verimli kullanım alanına sahip olan Bilgisayar Destekli Tespit (BDT) sistemleri, tıbbi görüntüler üzerindeki anormalliklerin tespitinde oldukça sık kullanılmaktadır. Bu açıdan BDT sistemleri, hastalığın teşhisi aşamasında medikal görüntüler üzerinde ileri görüntü işleme ve örüntü tanıma teknikleri kullanılarak hekime ikinci bir gözden geçirme olanağı sunması, hızlı karar verme yeteneğine sahip olması ve insan hatasının teşhisteki rolünü azaltması açısından son derece önemlidir.Tez çalışmasında literatüre alternatif olabilecek BT görüntülerinden pulmoner nodüllerin tespitine yönelik yeni iki farklı BDT sistemi önerilmiştir. Biri, BT görüntülerinden pulmoner nodül örüntülerinin tespitine yönelik bir sistemdir. Diğeri ise BT görüntülerinden pulmoner nodül örüntülerinin teşhis açısından malign ve benign olduğuna karar veren yeni bir bilgisayar destekli teşhis sistemidir. Çalışmada BT görüntülerinden pulmoner nodüllerin teşhisi için hibrid öznitelikler kullanılarak yeni bir sınıflandırma yaklaşımı sunulmaktadır. Pulmoner nodüllerin tespitinde dört farklı öznitelik çıkarma yöntemi kullanılmıştır. Nodül örüntülerinin malign ve benign ayrımı, hastaların risk faktörleri ve morfolojik görüntü işleme yaklaşımları kullanılarak gerçekleştirilmiştir. Destek vektör makineleri çekirdek fonksiyonları kullanılarak her bir yöntemin sınıflandırma performans ölçümleri elde edilmiştir.Pulmoner nodüllerin tespiti için önerilen hibrid yaklaşım ile % 78.7 sınıflandırma doğruluğu, % 78.8 duyarlılık ve % 76.4 seçicilik değerleri elde edilmiştir. Malign ve benign huylu nodüllerin ayrımı için önerilen sistemde, % 86.8 sınıflandırma doğruluğu olmak üzere benign sınıf için % 94.7 duyarlılık ve 0.975 AUROC; malign sınıf için % 80.0 duyarlılık ve 0.889 AUROC; takibi gereken belirsiz sınıf için % 77.8 duyarlılık ve 0.862 AUROC olarak performans değerleri hesaplanmıştır. Early detection of pulmonary nodules is extremely important for the diagnosis and treatment of lung cancer. With the rapid improvement of technology in recent years, Multi-detector computer tomography (CT) systems, providing to be viewed the small pulmonary nodules by high resolution, have been used. This case is long and tiring process for radiologists. Recently, Computer-Aided Detection (CAD) systems that having an efficient usage area in the medicine have widely been utilized for the detection of abnormalities on medical images. In this respect, CAD systems are extremely important in the diagnosis of disease in terms of offering a second interpretation opportunity for physician, to be a quick decision making ability and to reduce the diagnosis role of human error by using advanced image processing and pattern recognition techniques on the medical images.In this thesis study, two different CAD systems have newly been proposed for pulmonary nodule detection from computer tomography images as an alternative system for the literature. One is a system aiming at the detection of pulmonary nodule patterns on CT images. The other is a novel computer-aided diagnosis system that deciding the type of the pulmonary nodule patterns as malign or benign from the CT images. In the study, a new classification approach for pulmonary nodules from CT imagery is presented by using hybrid features. Four different feature extraction methods are used on the detection of pulmonary nodules. The overall detection performance is evaluated using various classifiers. The results are compared to similar techniques in the literature by using standard measures. Malign and benign differentiation of pulmonary nodules has been provided by using the risk factors of the patients and morphological image processing approaches. Classification performance measurements are obtained for each method proposed by using the kernel functions of support vector machines.For pulmonary nodule detection, the proposed approach gives 78.7 % classification accuracy, 78.8 % sensitivity and 76.4 % specificity values with the hybrid features. On the differentiating of malign and benign nodules, classification performance values are calculated as 94.7 % sensitivity and 0.975 AUROC for benign class; 80.0 % sensitivity and 0.889 AUROC for malign class; 77.8 % sensitivity and 0.862 AUROC for uncertain class by 86.8 % accuracy of the classifier.
Collections