Lung mass classification using wavelets and support vector machines

Abstract

Bu çalısmada, bilgisayarlı tomografi ile çekilmis akciğer görüntülerindeki akciğer kütlelerininkanserli olup olmadığını sınıflandırmak için kullanılabilecek yaklasımlar incelenmektedir. Butez, Destek Vektörü Makineleri ve Dalgacık Dönüsümü tabanlı alt bant görüntü dönüsümükombinasyonlarına dayanmaktadır. Karar verme mekanizması, dalgacık dönüsümü katsayılarıile desenden özellik vektörü çıkarım hesaplanması ve desenden çıkarılan vektörün üzerindekullanılan eğitim sınıflandırıcısı vasıtasıyla sınıflandırılması olmak üzere iki bölümdegerçeklestirilmistir. Destek Vektörü Makineleri, kütle sınıflandırması için öğreticili öğrenmeeğitimi doğrultusunda istatistiksel öğrenme teorisine dayanan öğrenme makineleridir.Çalısmada 126 bilgisayarlı akciğer tomografi görüntüsü kullanılmıstır. Görüntüdeki kütlelersınıflandırma için ilk etapta baslangıç olarak göğüs hastalıkları uzman doktorları tarafındantek tek gözle ayrıstırılmıstır, daha sonra tezde uygulanan yöntemler ile sınıflandırma islemiotomatize edilmistir. Bilgisayarlı akciğer tomografileri üzerinde yapılan testlerden elde edilensonuçlarda, dalgacık dönüsümü ile filtreleme yapıldıktan sonra, destek vektörü makineleri veradyal tabanlı fonksiyon çekirdeği kullanımı, % 76.74 sınıflandırma doğruluğuna erisilmistir.Destek Vektör Makineleri'nin sınıflandırmadaki performansını göstermek için, sonuçdüzensizlik matrisi, doğruluk, hassasiyet ve kesinlik analizi değerleri, farklı çekirdek tiplerikullanılarak gösterilmistir.

This study deals with observation of an approach for classification the lung cancer masses ascancer or not. In this thesis, it is implemented a compound of Support Vector Machine(SVM) and wavelet based image decomposition. Decision making was performed with twopartitions, feature determination by computing the wavelet coefficients and classificationusing the classifier trained on the feature determination. Support Vector Machine (SVM) is alearning machine which relies on statistical learning theory was trained in order to supervisedlearning to classify masses. The study implies 126 computerized lung tomography images.The masses were segmented by breast expert doctors manually at first step to theclassification system. Test results demonstrate accuracy on lung cancer indicated over 76.74%classification accuracy by using the SVM with Radial Basis Function Kernel. Also confusionmatrix, accuracy, sensitivity and specificity analysis with different kernel types wereemployed to demonstrate the classification performance of SVM.