YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI
Yıl: 2020 Cilt: 8 Sayı: 5 Sayfa Aralığı: 133 - 141 Metin Dili: Türkçe DOI: 10.21923/jesd.827131 İndeks Tarihi: 19-03-2021
YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI
Öz: Radyoloji uzmanlarının mamografi görüntülerine bakarak yaptığı meme kanseriteşhislerinde tip bir hata oranı yüzde otuzlara kadar çıkmaktadır. Kanserin teşhisbaşarısını artırmak adına bu çalışmada uzmanlara yardımcı olacak yeni birBilgisayar Yardımlı Teşhis sistemi, kanserli ve normal dokuyu ayırt etmek içinönerilmektedir. Önerilen sistemde kontrast limitli histogram eşitleme (CLAHE)yöntemiyle iyileştirilen görüntülerin iki boyutlu parçacık dönüşümlerinden (2B–DWT) Haralick ve HOG öznitelikleri çıkarılmıştır. Özniteliklerin sayısını azaltmasıiçin temel bileşenler analizi (PCA) algoritması kullanılmıştır. Seçilen öznitelikler çokkatmanlı algılayıcı (MLP) mimari yapısına sahip yapay sinir ağına (YSA) girdi olarakverilmiştir. Çok katmanlı algılayıcı üzerinde Adam eniyileme yapıldığında %81tespit doğruluğu yakalanmıştır. Ayrıca, diğer bir çok temel makine öğrenmesi vederin öğrenme yöntemleri denenerek karşılaştırma sonuçları detaylı olaraksunulmuştur. Sınırlı sayıda veri kümesi kullanıldığında transfer öğrenim kullanılsadahi derin öğrenme yöntemlerinin tespit başarısı azalmıştır. Buna karşılık doğru önişleme, öznitelik seçilimi ve makine öğrenmesi yaklaşımları kullanıldığı zamangeleneksel bilgisayarlı görü yöntemleri daha başarılı sonuçlar vermiştir
Anahtar Kelime: TEXTURAL FEATURE BASED REGION OF INTEREST CLASSIFICATION USING ANN FROM MAMMOGRAMS
Öz: Radiologists’ Type I error rate of Breast Cancer Detection from mammography images can reach up to thirty percent. In this study to assist radiology experts, a new Computer Aided Detection (CAD) system is proposed in order to increase the detection rate of Breast Cancer. A CAD system distinguishes the cancerous regions from normal tissues. In the proposed system, Haralick and HOG features are extracted from two-dimensional Wavelet transformed images which are enhanced by the CLAHE method. PCA algorithm is employed to select the extracted features. The selected features are given as input to a multi-layer perceptron (MLP) architecture. A detection accuracy of 81% is achieved when Adam optimization is used. In addition, various machine learning and deep learning methods have been implemented for comparison. When limited number of samples are used, the detection success of deep learning methods decreases even if transfer learning is employed. On the contrary, conventional computer vision methods give more successful results when appropriate combination of preprocessing, feature selection and machine learning algorithms are selected.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- “The mini-MIAS database of mammograms.” [Online]. Available: http://peipa.essex.ac.uk/info/mias.html. [Accessed: 10-Feb2019].
- Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., ... & Kudlur, M. (2016). Tensorflow: A system for large-scale machine learning. In 12th {USENIX} symposium on operating systems design and implementation ({OSDI} 16) (pp. 265-283).
- Becker, A. S., Marcon, M., Ghafoor, S., Wurnig, M. C., Frauenfelder, T., & Boss, A. (2017). Deep learning in mammography: diagnostic accuracy of a multipurpose image analysis software in the detection of breast cancer. Investigative radiology, 52(7), 434-440.
- Coelho, L. P. (2012). Mahotas: Open source software for scriptable computer vision. arXiv preprint arXiv:1211.4907.
- Gedik, N. (2016). A new feature extraction method based on multi-resolution representations of mammograms. Applied Soft Computing, 44, 128-133.
- G. R. Lee et al., “PyWavelets/pywt: PyWavelets v1.0.0,” Aug. 2018.
- Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, 11(1), 10-18.
- Jiao, Z., Gao, X., Wang, Y., & Li, J. (2018). A parasitic metric learning net for breast mass classification based on mammography. Pattern Recognition, 75, 292-301.
- Oeffinger, K. C., Fontham, E. T., Etzioni, R., Herzig, A., Michaelson, J. S., Shih, Y. C. T., ... & Wolf, A. M. (2015). Breast cancer screening for women at average risk: 2015 guideline update from the American Cancer Society. Jama, 314(15), 1599-1614.
- Pedro, R. W. D., Machado-Lima, A., & Nunes, F. L. (2019). Is mass classification in mammograms a solved problem?-a critical review over the last 20 years. Expert Systems with Applications, 119, 90-103.
- Raghu, M., Zhang, C., Kleinberg, J., & Bengio, S. (2019). Transfusion: Understanding transfer learning for medical imaging. In Advances in neural information processing systems (pp. 3347-3357).
- Rodriguez-Ruiz, A., Mordang, J. J., Karssemeijer, N., Sechopoulos, I., & Mann, R. M. (2018, July). Can radiologists improve their breast cancer detection in mammography when using a deep learning based computer system as decision support?. In 14th International Workshop on Breast Imaging (IWBI 2018) (Vol. 10718, p. 1071803). International Society for Optics and Photonics.
- Saki, F., Tahmasbi, A., Soltanian-Zadeh, H., & Shokouhi, S. B. (2013). Fast opposite weight learning rules with application in breast cancer diagnosis. Computers in biology and medicine, 43(1), 32-41.
- Šerifović-Trbalić, A., Trbalić, A., Demirović, D., Prljača, N., & Cattin, P. C. (2014, May). Classification of benign and malignant masses in breast mammograms. In 2014 37th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO) (pp. 228-233). IEEE.
- Tahmasbi, A., Saki, F. and Shokouhi, S. B. (2011) ''Classification of benign and malignant masses based on Zernike moments'', Computers in Biology and Medicine, 41, 726–735.
- Tasdemir, S. B. Y., Tasdemir, K., & Aydin, Z. (2018, December). ROI Detection in Mammogram Images using Wavelet-Based Haralick and HOG Features. In 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 105-109). IEEE.
- Yassin, N. I., Omran, S., El Houby, E. M., & Allam, H. (2018). Machine learning techniques for breast cancer computer aided diagnosis using different image modalities: A systematic review. Computer methods and programs in biomedicine, 156, 25-45.
- Yengec-Tasdemir, S. B., Tasdemir, K., & Aydin, Z. (2020). A review of mammographic region of interest classification. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, e1357.
| APA | YENGEÇ TAŞDEMİR S, Tasdemir K, Aydin Z (2020). YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. , 133 - 141. 10.21923/jesd.827131 |
| Chicago | YENGEÇ TAŞDEMİR SENA BÜŞRA,Tasdemir Kasim,Aydin Zafer YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. (2020): 133 - 141. 10.21923/jesd.827131 |
| MLA | YENGEÇ TAŞDEMİR SENA BÜŞRA,Tasdemir Kasim,Aydin Zafer YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. , 2020, ss.133 - 141. 10.21923/jesd.827131 |
| AMA | YENGEÇ TAŞDEMİR S,Tasdemir K,Aydin Z YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. . 2020; 133 - 141. 10.21923/jesd.827131 |
| Vancouver | YENGEÇ TAŞDEMİR S,Tasdemir K,Aydin Z YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. . 2020; 133 - 141. 10.21923/jesd.827131 |
| IEEE | YENGEÇ TAŞDEMİR S,Tasdemir K,Aydin Z "YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI." , ss.133 - 141, 2020. 10.21923/jesd.827131 |
| ISNAD | YENGEÇ TAŞDEMİR, SENA BÜŞRA vd. "YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI". (2020), 133-141. https://doi.org/10.21923/jesd.827131 |
| APA | YENGEÇ TAŞDEMİR S, Tasdemir K, Aydin Z (2020). YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5), 133 - 141. 10.21923/jesd.827131 |
| Chicago | YENGEÇ TAŞDEMİR SENA BÜŞRA,Tasdemir Kasim,Aydin Zafer YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. Mühendislik Bilimleri ve Tasarım Dergisi 8, no.5 (2020): 133 - 141. 10.21923/jesd.827131 |
| MLA | YENGEÇ TAŞDEMİR SENA BÜŞRA,Tasdemir Kasim,Aydin Zafer YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. Mühendislik Bilimleri ve Tasarım Dergisi, vol.8, no.5, 2020, ss.133 - 141. 10.21923/jesd.827131 |
| AMA | YENGEÇ TAŞDEMİR S,Tasdemir K,Aydin Z YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. Mühendislik Bilimleri ve Tasarım Dergisi. 2020; 8(5): 133 - 141. 10.21923/jesd.827131 |
| Vancouver | YENGEÇ TAŞDEMİR S,Tasdemir K,Aydin Z YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI. Mühendislik Bilimleri ve Tasarım Dergisi. 2020; 8(5): 133 - 141. 10.21923/jesd.827131 |
| IEEE | YENGEÇ TAŞDEMİR S,Tasdemir K,Aydin Z "YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI." Mühendislik Bilimleri ve Tasarım Dergisi, 8, ss.133 - 141, 2020. 10.21923/jesd.827131 |
| ISNAD | YENGEÇ TAŞDEMİR, SENA BÜŞRA vd. "YSA KULLANILARAK MAMOGRAMLARDAN DOKUSAL ÖZNİTELİK TABANLI MEME KANSERİ İLGİ BÖLGESİ SINIFLANDIRILMASI". Mühendislik Bilimleri ve Tasarım Dergisi 8/5 (2020), 133-141. https://doi.org/10.21923/jesd.827131 |
