Mamografi görüntülerindeki anormalliklerin yerel ikili örüntü ve varyantları kullanılarak sınıflandırılması

Abstract

Meme kanseri teşhisinde kullanılan mamografilerdeki anormalliklerin sınıflandırılması için makine öğrenme araştırmaları büyük önem arz etmektedir. Bu çalışmada Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) görüntü tabanındaki kitleli ve kalsifikasyonlu mamografi görüntüleri sınıflandırılmıştır. Veri setindeki görüntülerden Yerel İkili Örüntü(YİÖ), Yerel Türev Örüntü, Yerel Dörtlü Örüntü(YDÖ), ve Gürültüye Dirençli Yerel İkili Örüntü yöntemleri ile doku öznitelikleri çıkarılmıştır. Öznitelik çıkarım yöntemlerinden yerel çarpıklık örüntü tabanlı ayrıntılı histogram yöntemiyle de öznitelik çıkarımı yapılmıştır. Daha sonra öznitelik vektörleri doğrusal ve radyal tabanlı fonksiyon kernel destek vektör makineleri(DVM) ve yapay sinir ağları (YSA) kullanılarak sınıflandırılmıştır. Eğitim ve doğrulama verisi için 5-kez çapraz doğrulama yöntemi uygulanmıştır. En yüksek sınıflandırma performansı veren eşik seviyeleri ve pencere boyutları her bir öznitelik çıkarım yöntemi için belirlenmiştir. Öznitelik çıkarımı için gerekli olan süreler tablo halinde verilmiştir. Öznitelik çıkarım yöntemi olarak farklı çap ve nokta sayısı ile hesaplanmış YİÖ vektörleri füzyonu ve sınıflandırıcı olarak 2 gizli katmanlı YSA kullanılması durumunda test verisi için %85.74 başarı oranı elde edilmiştir. Elde edilen başarı oranları literatürdeki makine öğrenmesi sonuçlarına göre yüksek ve derin öğrenme sonuçları ile kıyaslanabilir sonuçlardır.