MAMOGRAFİ GÖRÜNTÜLERİNİN DEĞERLENDİRİLMESİNDE KULLANILAN YENİ BİR KARAR DESTEK SİSTEMİ TASARIMI

Abstract

Meme kanseri, kadınlarda kansere bağlı ölümlerde ilk sırada yer almaktadır. Dünya genelinde kadınların yakalandığı kanser hastalıklarının yaklaşık %24,5'ini, ülkemizde ise %23,9'unu meme kanseri oluşturmaktadır. Hastalığın erken teşhisi, tedavi için en hayati adımdır. Mamografi cihazı ile elde edilen radyografik görüntüler, meme kanserinin erken teşhisinde en sık kullanılan yöntemlerden biridir. Fakat çekimlerde kullanılan teknoloji, radyoloğun tecrübesi, yoğunluk, meme yapısı, çekim esnasındaki hatalar gibi birçok nedenden kaynaklı teşhisle ilgili yanlış değerlendirmeler yapılabilmektedir. Böyle durumlarda teşhisle ilgili çelişkiye düşülmekte, ikinci bir uzman görüşüne ihtiyaç duyulmaktadır. Günümüzde mamografi görüntüleri ile daha doğru karar vermeye yardımcı olacak Bilgisayarlı Karar Destek Sistemi (BKDS) üzerinde birçok çalışma yapılmaktadır. Bu çalışmada da meme kanserinin tanısı ve teşhisinde radyoloji uzmanına ikinci bir görüş sunarak yardımcı olabilecek bir BKDS geliştirilmiştir. Son kararın radyoloji uzmanı tarafından verileceği bu sistem ile insan kaynaklı hata oranın azaltılması amaçlanmaktadır. Günümüzde görüntü işleme çalışmalarında özellikle geleneksel yöntemlerden uzaklaşılarak derin mimarilerde çalışmaların yoğunlaştığı görülmektedir. Derin öğrenme yöntemleri özellikle görüntü sınıflandırma problemlerinde iyi sonuçlar verse de, genellikle kullandıkları Evrişimsel Sinir Ağları (ESA) eğitim için çok sayıda etiketlenmiş veriye ihtiyaç duymaktadır. Doğru şekilde etiketlenmiş veriye ulaşımdaki kısıtlılık bu tür çalışmaları zorlaştırmaktadır. Bu sebeple daha önce bu alanda yapılan çalışmaların büyük çoğunluğu oldukça az sayıda mamografi görüntüsü ile yapılmıştır. Bu çalışmada kullanılan mamografi görüntüleri FSSH, INBREAST, DDSM ve MIAS olmak üzere 4 farklı kaynaktan alınmıştır. Çalışmanın ilk aşamasında görüntüler morfolojik görüntü işleme yöntemleri ile ön işlemden geçirilerek istenmeyen verilerden arındırılmıştır. Meme dokusuna ait alanlardan 224x224 ve 227x227 piksel boyutlarında kesitler kırpılarak 3 farklı sınıf (kist, kalsifikasyon ve normal) oluşturulmuştur. Her sınıfta 1000 adet, toplamda 3000 adet kesit ile 3 farklı sinir ağı modeli eğitilmiştir. Küçük kesitlere ayrılarak nispeten daha basit hale getirilen görüntüler ile eğitilen AlexNet modelinde %95,55, GoogLeNet modelinde %96, tez çalışması kapsamında geliştirilen MKESAS modelinde %98,71 doğruluk oranına ulaşılmıştır. Anahtar Kelimeler: Meme kanseri, evrişimsel sinir ağları, biyomedikal görüntü işleme, görüntü sınıflandırmaBreast cancer is the leading cause of deaths related with cancer among women. Breast cancer makes up approximately 24,5% of cancer diseases in the world, and 23,9% in Türkiye. Early diagnosis of the disease is the most effective step for treatment. Mammography is one of the most used method in the early diagnosis of breast cancer. However, misdiagnosis can be made due to some reasons such as used technologies, experience of the radiologists, breast density, breast structure and shooting errors. Therefore, a second radiologist's diagnosis is needed to reduce ambiguity in the diagnosis of the mammography image. Recently, many studies have been carried out on the Computerized Decision Support System (CDSS) which help for the most accurate diagnosis with mammography images. In this thesis, a CDSS is designed in order to contribute the radiologist by providing a second opinion for the diagnosis of breast cancer. The main aim of this system, in which the final decision will be made by the radiologist, is to reduce the rate of human error. Todays, deep neural networks are preferred more than traditional methods in image processing studies. Although deep learning methods are successful in especially image classification problems, it need a lot of labeled data for training. Limitations in accessing correctly labeled mammography data makes these types of studies difficult. Because of this, most of the former studies in this area were carried out with too limited mammography images. The mammography images used in this study were got from 4 different sources: Elazig Fethi Sekin Research Hospital, INBREAST, DDSM and MIAS. In the study, first, the images were preprocessed by using morphological image processing methods to eliminate labels and noises in the images. Then, 224x224 and 227x227 pixels of sections from the breast tissue areas were cropped and 3 different classes (cyst, calcification and normal) consisting of relatively simple and small images were created. MKESAS model which was developed for this study, AlexNet and GoogLeNet models were trained with these images. The results show that the MKESAS is the most accurate model with 98,71%. GoogLeNet network is more accurate (96%) than AlexNet network (95,55%). Keywords: Breast cancer, convolutional neural networks, biomedical image processing, image classification