Tıbbi görüntü işleme ile tanı koymada veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi

Abstract

Görüntü işleme, bilgisayara aktarılan görüntülerden faydalı bilgiler elde etmek amacıyla farklı matematiksel algoritmalar uygulanan yöntemler bütünüdür. Görüntü işlemede, birincil hedef olarak görüntülerin kalitesinin iyileştirilmesi amaçlanmaktadır. Görüntü işlemenin bir diğer olumlu yanı da görüntüleri tanımlayan sayısal değerlerin (öznitelikler) elde edilmesidir. Görüntü işleme yöntemi ile görüntülerden elde edilen öznitelikler, görüntüleri sınıflama amacıyla kullanılmaktadır. Çeşitli hastalıklara erken tanı koymada görüntüleme yöntemlerinin gelişmiş olmasına rağmen istatistiksel yöntemler ve çeşitli görüntü işleme algoritmaları da önemli olabilir. Bu çalışmada tıbbi görüntü işleme teknikleri kullanılarak mamografi görüntüleri sayısallaştırılıp öncelikle normal-anormal lezyon saptamada, sonrasında malign-benign lezyonları ayırmadaki başarısı incelenmiştir. Uygulanan beş farklı görüntü ön işleme algoritmasının, farklı iki bölütleme yönteminin ve meme doku tipinin sonuçlara olan etkisi araştırılmıştır. Ayrıca kullanılan farklı görüntü işleme tekniklerinde veri madenciliği ve derin öğrenme algoritmalarının da sınıflama performansları karşılaştırılmıştır. Bunun için açık kaynaklı MIAS veri tabanındaki 209 normal, 61 benign ve 52 malign olan 322 mamografi görüntüsü kullanılmıştır. Görüntü işleme içerisinde oluşturulan beş farklı ön işleme ve iki farklı bölütleme algoritmaları karşılaştırıldığında, görüntüler üzerinde uygulanan ön işleme ve görüntü bölütleme tekniklerinin sınıflama performans ölçülerini etkilediği görülmüştür. Genel olarak bu veri setinde klasik veri madenciliği yöntemlerinden DVM, RO ve YSA diğer algoritmalardan daha iyi performans göstermiştir. Derin öğrenme yöntemleri de klasik veri madenciliği yöntemlerine benzer sonuçlar vermiştir.

Image processing is a set of methods in which different mathematical algorithms are applied in order to obtain useful information from images transferred to the computer. In this method, the primary goal is to improve the quality of images. Another positive aspect of the image processing method is the acquisition of numerical values (attributes) that describe the images. The features obtained from the images by the image processing method are used to classify the images. Although imaging methods are advanced, statistical methods and various image processing algorithms may also be important in diagnosing various diseases early. In this study, images were digitized using medical image processing techniques and its success in detecting normal-abnormal lesions and then in distinguishing malign-benign lesions was examined. The effects of five different image pre-processing algorithms, two different segmentation methods and breast tissue type on the results were investigated. In addition, classification performances of data mining and deep learning algorithms in different image processing techniques used were compared. For this, 322 mammography images, 209 normal, 61 benign and 52 malign, in the open source MIAS database were used. When five different pre-processing and two different segmentation algorithms created in image processing were compared, it was seen that the preprocessing and image segmentation techniques applied on images actually affected the classification performance measures. In general, SVM, RF and ANN, which are classical data mining methods, performed better than other algorithms in this data set. Deep learning methods also gave similar results to classical data mining methods.