AKCİĞER KANSERİNİN MAKİNE ÖĞRENME TEKNİKLERİ İLE ANALİZİ

Abstract

Bu çalışmada, akciğer tomografisi, akciğer hücresi histopatolojisi ve ışık mikroskobundan alınan görüntüler ile daha iyi akciğer kanseri teşhisi hedeflenmiştir. Ayrıca elde edilen görüntüler iyi ve kötü huylu olmak üzere iki tip görüntü kullanılmıştır. Bu iki çeşit görüntülere ait optimum özellikler elde edebilmek için çeşitli boyut azaltma yöntemleri kullanılmıştır. Bu yöntemler Temel Bileşenler Analizi (TBA), Genelleştirilmiş Diskriminant Analizi (GDA), Doğrusal Diskriminant Analizi (DDA), Yerel Doğrusal Gömme (YDG), Klasik Çok Boyutlu Ölçekleme (KÇBÖ), Komşuluk Koruyan Gömme (KKG), Stokastik Yakınlık Gömme (SYG) yöntemleridir. Sınıflandırıcı olarak ise Naive Bayes (NB), Rastgele Orman (RO), Karar Ağaç (KA) yöntemleri kullanılmıştır. Ayrıca bu sınıflandırıcı yöntemlerinin her birine Maksimum Durağan Ekstrem Bölgeler (MDEB), Hızlandırılmış Sağlam Özellikler (HSÖ), Yönlendirilmiş Gradyanlar Histogramı (YGH) özellikleri eklenerek doğruluk değerinin durumu incelenmiştir. Akciğer kanserinin erken ve doğru teşhisi için çeşitli yöntemler geliştirilmiştir. Bu çalışmada metodlar için toplam 240 adet görüntü kullanılmıştır. Bu görüntüler 60 adet hastadan, her biri için 4 adet kesit alınarak elde edilmiştir. Kullanılan görüntüler ile her bir sınıflandırıcının, her bir boyut azaltma yönteminin ve her bir özelliğin birbirine göre doğruluk oranının kıyaslanması yapılmıştır. Ayrıca en yüksek doğruluk oranına sahip yöntemler bulunmuştur. Kullanılan yöntemlerin bazıları ile %100 doğruluk oranına sahip sonuçlar bulunmuştur. Böylece en yüksek doğruluk oranını sağlayan yöntemler sayesinde iyi huylu ve kötü huylu tümörlerin ayrımı sağlanmıştır. Dünyada en fazla ölüm oranına sahip kanser türlerinden biri olan akciğer kanserinin erken teşhisi için doğruluk oranının yükseltilmesi de amaçlanmıştır. Böylece bilgisayar destekli tanı sistemlerine yüklenen akciğer görüntüleri bu sistemde çeşitli aşamalardan geçirilerek doğru bir sonucun elde edilmesi sağlanmıştır. Anahtar Kelimeler: Akciğer Kanseri, Makine Öğrenme, Sınıflandırma, Görüntü İşleme, Histopatoloji, Akciğer Tomografisi, Bilgisayar Destekli Tanı, Bilgisayarlı Tomografi.In this study, we aimed to better diagnosis of lung cancer with lung tomography, lung cell histopathology and light microscopy images. In addition, two types of images, good and malignant, were used. Various size reduction methods have been used to obtain optimum properties of these two types of images. These methods include Principal Component Analysis (PCA), Generalized Discriminant Analysis (GDA), Linear Discriminant Analysis (LDA), Local Linear Embedding (LLE), Classical Multidimensional Scaling (MDS), Neighborhood Preserving Embedding (NPE), Stochastic Proximity Embedding (SPE) ) methods. Naive Bayes (NB), Random Forest (RF), Decision Tree (DT) methods were used as the classifier. In addition, Maximum Stationary Extreme Regions (MSER), Speeded Up Robust Features (SURF), Histogram of Orianted Gradients (HOG) were added to each of these classifier methods and the status of the accuracy value was examined. Various methods have been developed for the early and accurate diagnosis of lung cancer. In this study, a total of 240 images were used for the methods. These images were obtained from 60 patients by taking 4 sections for each. The accuracy of each classifier, each size reduction method and each feature was compared with the images used. In addition, the methods with the highest accuracy were found. Some of the methods used were found to have 100% accuracy. Thus, the distinction between benign and malignant tumors has been achieved thanks to the methods that provide the highest accuracy. It is also aimed to increase the accuracy rate for the early diagnosis of lung cancer, which is one of the cancer types with the highest mortality rate in the world. Thus, lung images loaded into computer assisted diagnostic systems were passed through various stages in this system to obtain an accurate result. Key Words: Lung Cancer, Machine Learning, Classification, Image Processing, Histopathology, Lung Tomography, Computer Assisted Diagnosis, Computed Tomography.