NANO-BİYOMEKANİK MEME GÖRÜNTÜLERİ KULLANILARAK MOLEKÜLER YAPILARIN ÇOK MODALİTELİ PATOLOJİ BAĞLANTILARININ BULUNMASI

Abstract

Bu tezde, mammografi, meme hücresi histopatolojisi ve atomik kuvvet mikroskobundan alınan nanobiyomekanik görüntüler birlikte ele alınarak daha güçlü meme kanseri erken teşhisi yapılması amaçlanmıştır. Daha sonra bu 3 tip görüntü için, 23 Gri-Düzey Eş Oluşum Matrisi (GDEOM) özellikleri kullanılmıştır. Bu özellikler farklı açılarda hesaplanmıştır. Bu özelliklerden optimum özellikler elde edebilmek için Minimum Fazlalık/Maximum İlişki (mFMİ) ve Temel Bileşen Analizi (TBA) kullanılmıştır. Sınıflandırıcı olarak ise, K-En Yakın Komşuluk (KEYK), En Küçük Kareler Destek Vektör Sistemi (EKKDVS) ve yeni geliştirilen Aritmetik ortalama-Standar sapma-Varyans Katsayısı-Standart Hata Maximum/Sort Minumum (ASMSM) algoritması kullanılmıştır. Meme kanserinin erken teşhisi için metodlar geliştirilmiştir. Bu tezde metodlar için toplam 540 görüntü kullanılmıştır. Bu görüntüler geliştirilen metodlar da kullanılarak, mFMİ_KEYK metodu ile mammografi, histopatoloji, AKM görüntüleri için ve mammografi-histopatoloji görüntülerinin birleştirilmesiyle sırayla %100, %100, %100 ve %100 doğruluk teşhisi oranları bulunmuştur. mFMİ_EKKDVS metodu ile sırayla %100, %100, %100 ve %100; mFMİ_ASMSM metodu ile sırayla %76.67, %82.22, %92.22 ve %100; mFMİ_ASMSM metodu ile sırayla %76.67, %82.22, %92.22 ve %100 ; TBA_KEYK metodu ile sırayla %76.67, %71.11, %75.56 ve %85.56; TBA_EKKDVS metodu ile sırayla %92.22, %97.78, %92.22 ve %96.56; TBA_ASMSM metodu sırayla %95.56, %92.22, %94.44 ve %100 doğruluk teşhisi oranları bulunmuştur. Ayrıca, çoklu sınıflandırıcılarda kullanılan, sınıflar arası bağlantıları gösteren ROC Eğrisinin Altında Kalan Alan (REAKA) yönteminden yararlanılarak, iki sınıf arasındaki doğru pozitif oranlar bulunmuştur. Ayrıca bu tezde, AKM görüntüleri için yapılan analizler sonucunda, Kötü huylu AKM görüntülerinin, yüzey pürüzlülüğünün normal ve İyi huylu AKM görüntülerine göre daha büyük olduğu, tanecik hacminin ise daha küçük olduğu bulunmuştur. Anahtar Kelimeler: Mammografi, Histopatoloji, Nanobiyomekanik Görüntüler, Minimum Fazlalık/Maksimum İlişki, Temel Bileşen Analizi, K-En Yakın Komşuluk, En Küçük Kareler Destek Vektör Sistemi

Finding Multimodality Pathology Connection of Molecular Structures Using Nano-Biomechanical Breast Images In this thesis, it is purposed to make stronger early diagnosis in breast cancer by evaluating the mammography, breast cell histopathology and nanobiomechanic images taken from Atomic Force Microscopy together. Afterwards, the specifications of 23 Gray- Level Syngenetic Matrix (GDEOM) are used for these 3 types of images. These specifications are measured in the different angles (?=0°,45°,90°, ve 135). For obtaining optimum specification from these specifications, Minimum Redundancy/ Maximum Relation (mFMİ) and Principal Component Analysis (TBA) are used. As classifier, K-Nearest Neighbor (KEYK),Least Squares Support Vector System (EKKDVS) and new developed Arithmetic Average- Standard Deviation-Coefficient of a variance- Standard Error Maximum/Sort Minimum (ASMSM) algorithm is used. For the early diagnosis of the breast cancer, methods are developed. Total 540 images are used for the methods in this thesis. By using developed methods and by combining these images with mFMİ_KEYK method and mammography, histopathology, for AKM images by combining mammography-histopathology images respectively %100, %100, %100 and %100 accuracy diagnosis rates are found. With the method of mFMİ_EKKDVS, respectively %100, %100, %100 and %100; with mFMİ_ASMSM method, respectively %76.67, %82.22, %92.22 and %100; with mFMİ_ASMSM method %76.67, %82.22, %92.22 and %100 ; with TBA_KEYK method respectively %76.67, %71.11, %75.56 and %85.56; with TBA_EKKDVS method respectively %92.22, %97.78, %92.22 and %96.56; with TBA_ASMSM method respectively %95.56, %92.22, %94.44 and %100 accuracy diagnosis rates are achieved. Besides, by benefitting from the method of Area Under the Roc Curve (REAKA) which shows the interclass connections and used in the multiple classification, accurate positive rates are found between two classes. In addition, as the result of the analyses made for AKM images, it is observed that malignant AKM images are bigger than the benign AKM images with the normal surface roughness and its particle volume is smaller. Kew Words : Mammography, Histopathology, Nanobiomechanic Images, Minimum Redundancy /Maximum Relation, Principal Component Analysis, Nearest Neighbor, Least Squares Support Vector System