Meme kanserinin histopatolojik görüntülerden etkili bir şekilde derecelendirilmesi için bilgisayar destekli bir sistem

Abstract

Meme kanseri, dünya çapında özellikle kadınlarda en sık görülen sağlık sorunlarından biridir. Meme kanserinin erken teşhis ve tedavisi, ölüm oranlarını büyük ölçüde azaltabilir. Meme kanseri tanısında mamografi, bilgisayarlı tomografi, manyetik rezonans, ultrason ve biyopsi gibi farklı görüntüleme yöntemleriyle elde edilen örnekler kullanılmaktadır. Biyopsi ile elde edilen histopatolojik görüntüler, meme kanserinin hangi evrede olduğu hakkında hayati bilgiler içerir. Bilgisayar destekli sistemler patologlara meme kanserinin erken teşhisinde yardımcı olan önemli araçlardır. Bu tez çalışmasında, Shearlet Dönüşümü (SD) ve Gri Seviye Eş-oluşum Matrisi (GSEM) dokusal özelliklerin çıkarılmasında kullanılmıştır. SD, görüntüleri çeşitli yönlerde analiz edebilen ve kenar tekilliklerine duyarlı olan gelişmiş bir ayrıklaştırma tabanlı yöntemdir. Bu özellikler SD'yi Fourier ve dalgacık gibi diğer ayrıştırma yöntemlerinden daha üstün kılar. Renkkanallarının histogram özellikleri de ayrıca meme kanseri evresinin tanısında ikinci bir değerlendirme düzeyi için kullanılmıştır. Bu özellikler, patologların histopatolojik görüntüleri derecelendirirken dikkate aldıkları en önemli yapı taşlarından biri olarak kabul edilir. Daha sonra, bu iki özelliği birleştirerek, sınıflandırma sonuçları birçok makine öğrenmesi olan sınıflandırıcılar ile değerlendirildi. Değerlendirmeler, iyi huylu ve kötü huylu histopatolojik numuneler içeren bir BreaKHis veri kümesi üzerinde gerçekleştirildi. Elde edilen sonuçlar cesaret verici olarak değerlendirildi.

Breast cancer (BC) is one of the most commonly reported health issues worldwide, especially in females. Early detection and diagnosis of BC can greatly reduce mortality rates. Samples obtained with different imaging methods such as mammography, computerized tomography, magnetic resonance, ultrasound, and biopsy are used in the diagnosis of BC.Histopathological images obtained from a biopsy contain vital information about the stage of the BC. Computer-aided systems are important tools to assist pathologists in the early detection of BC. In the current study, the use of gray-level co-occurrence matrix (GLCM) of Shearlet Transform (ST) coefficients were first scrutinized as textural features. ST is an advanced decomposition-based method that can analyze images in various directions and is sensitive to edgesingularities. These features make ST more robust than other decomposition methods such as Fourier and wavelet. Color channel histogram features were also utilized for a second level of evaluation in the diagnosis of the BC stage. These features are considered one of the most important building blocks that pathologists consider in the course of grading histopathological images. Then, by combining these two properties, the classification results were evaluated withvarious machine learning classifiers. The assessments were performed on a BreaKHis dataset containing benign and malignant histopathological samples. The obtained results were considered to be encouraging.