Manyetik rezonans (MR) imgelerinde beyin tümörlerinin tespiti ve sınıflandırılması

Abstract

Beyin tümörünün doğru ve otomatik tespiti hayati önem taşımaktadır. Bu tez çalışmasının amacı Manyetik Rezonans (MR) imgelerinde beyin tümörlerini tespit ederek bu tümörleri yüksek doğruluk oranıyla sınıflandırmaktır. Beyin MR imgelerinde kafatası ile beyin dokusunun benzer yoğunluğa sahip olması tümörün yerini belirlemek için yapılan şüpheli bölge tespitini zorlaştırmaktadır. Bu nedenle MR imgelerine, ikilileştirme yöntemi ve çeşitli morfolojik işlemler uygulanarak öncelikle kafatası ortadan kaldırılmıştır. Daha sonra K-means Kümeleme, Lab Renk Uzayında K-means Kümeleme ve Kenarsız Chan-Vese algoritmaları kullanılarak MR imgelerinde şüpheli bölge tespiti yapılmıştır. Bu aşamada üç farklı yöntemin performans değerlendirmesine bakılmış olup en iyi sonucun Kenarsız Chan-Vese algoritmasında ortaya çıktığı görülmüştür. Tespit edilen şüpheli bölgelerden sınıflandırma aşaması için ayırt ediciliği önemli olan Şekil Tabanlı öznitelikler, Gri Seviye Eş-Oluşum Matrisi öznitelikleri, Yönlendirilmiş Gradyanların Histogramı öznitelikleri, Yerel İkili Örüntü öznitelikleri ve İstatistiksel öznitelikler gibi çeşitli öznitelikler çıkarılmıştır. Son olarak şüpheli bölgeler k-En Yakın Komşu, Fisher Doğrusal Ayırtaç Analizi, Rastgele Orman, Karar Ağacı, Destek Vektör Makineleri, Lojistik Regresyon Sınıflandırıcısı ve Naive Bayes sınıflandırma algoritmaları ile sınıflandırılmıştır. Bu tez çalışması sonucunda, Kenarsız Chan-Vese algoritmasından elde edilen tüm şüpheli bölgelerin, iyi huylu tümör, kötü huylu tümör ve normal olarak sınıflandırma işleminde HOG ve LBP öznitelikleri birlikte kullanıldığında Fisher Doğrusal Ayırtaç Analizi sınıflandırıcısı %93,01 doğruluk, %93,46 hassasiyet ve %96,50 özgüllük oranları ile en iyi sonucu sağlamıştır.

Accurate and automatic detection of brain tumor is vital. The aim of this thesis study is to detect brain tumors on Magnetic Resonance (MR) images and to classify these tumors with high accuracy. The similar intensity of skull and brain tissue in the MR images makes it difficult to detect suspicious regions. For this reason, the skull was removed by applying Binarization method and various Morphological operations to MR images. Suspicious regions in the MR images were detected by using K-means Clustering, K-means Clustering in Lab Color Space and Chan-Vese without edges algorithm. At this stage, performance evaluation of three different methods was examined and it was seen that the best result take place in the Chan-Vese without edges algorithm. For the classification stage, various features such as Shape-Based features, Gray Level Co-Occurence Matrix features, Histogram of Oriented Gradients features, Local Binary Pattern features, and Statistical features were extracted from the detected suspicious regions. Finally, the suspicious regions were classified by k-Nearest Neighbor, Fisher's Linear Discriminant Analysis, Random Forest, Decision Tree, Support Vector Machines, Logistic Linear Classifier and Naive Bayes classification algorithms. As a result of this thesis study, all suspicious regions obtained from the Chan-Vese without edges algorithm were classified as benign tumor, malignant tumor and normal. When the HOG and LBP features are used together, the Fisher's Linear Discriminant Analysis classifier provided the best results with 93.01% accuracy, 93.46% sensitivity and 96.50% specificity rates.