Mamogram görüntülerinden makine öğrenmesi yöntemleri ile meme kanseri teşhisi

Abstract

Meme kanseri son yıllarda kanser türleri arasında en çok yaygınlık gösteren kanser türüdür. Meme kanserinin teşhisi ve tedavisinde mamografi olarak bilinen X-Ray görüntüleme yöntemi yaygın bir şekilde kullanılmaktadır. Mamografi cihazları ile elde edilen mamogram görüntüleri radyoloji uzmanları tarafından incelenir, yorumlanır ve hasta ile ilgili rapor yazılır. Mamogram görüntülerinde uzmanlar öncelikle kitle tespit etmeye ve mikrokireçlenme(MC, Microcalcification) tespit etmeye çalışırlar. MC tespiti kitle tespitine göre gözden kaçırılma riski daha fazla olan bir durumdur. Yapılan araştırmalarda radyologların MC vakalarını tespit etmekte zorlandıklarını ve yüzde yetmişlik bir doğrulukla çalıştıkları ortaya koyulmuştur. Son yıllarda meme kanseri teşhisi alanında bilgisayar destekli tespit sistemleri geliştirilmeye başlanmıştır. Araştırmacılar mamogram görüntüleri üzerinde kitle tespiti yapan veya MC tespiti yapan yöntemler yaklaşımlar ve algoritmalar geliştirmektedir. Bu çalışmada MC bölgelerinin tespitini yapmak için makine öğrenmesi yöntemi kullanılarak bir çalışma yapılmıştır. Yapılan çalışmada gri seviye eş oluşum matrisi temelli doku analizi (GLCM, Gray Level Cooccurrance Matrix), dalgacık dönüşümü temelli ayrıştırma, iki boyutlu eşit genişlikli ayrıştırma (EWD2) ve çoklu pencere temelli istatistiki analiz (MWBSA) kullanılarak farklı özellik çıkartım yöntemleri ile MC desenlerinin karakteristik özellikleri sayısal yöntemlerle analiz edilmiş olup çok katmanlı ileri beslemeli yapay sinir ağı (MLPNN, Multiple Layer Percepteron Neural Network) olarak bilinen sınıflandırıcı ve destek vektör makinesi (SVM, Support Vector Machine) kullanılarak bir makine öğrenmesi yaklaşımı geliştirilmiştir. Çalışma sonuçlarının geçerliliği, tıbbi karar verme sürecinde bir testin ayırt ediciliğini belirlemek amacıyla kullanılan yöntemlerden biri olan Alıcı İşlem Karakteristikleri Eğrisi (ROC, Receiver Operating Characteristic) yöntemi kullanılarak yapılmıştır. Duyarlılık ve özgüllük testi olarak da bilinen bu test neticesinde aday mikrokireçlenme tespit aşamasında MLPNN sınıflandırıcı kullanılarak en iyi sonuç MWBSA yöntemi ile elde edilmiştir. SVM sınıflandırıcı kullanılarak en iyi sonuç ise EWD2 ve GLCM yöntemleri kullanılarak elde edilmiştir. Aday mikrokireçlenme bölgelerinin sınıflandırılması olan ikinci aşamada ise MLPNN sınıflandırıcı kullanılarak en iyi sonuç EWD2 yöntemi ve GLCM yöntemi kullanılarak elde edilirken SVM sınıflandırıcı kullanılarak yapılan deneylerde en iyi sonuç dalgacık dönüşümü yöntemi kullanılarak elde ediliştir. Çalışmanın sonunda MATLAB yazılım geliştirme ortamı kullanılarak grafik arayüze sahip BCDS ismi verilen MC temelli meme kanseri teşhis yazılımı geliştirilmiştir. Geliştirilen bu yazılım gelecekte üzerine yeni özellik çıkartım yöntemleri ve yeni sınıflandırıcı modelleri eklenebilecek şekilde dinamik bir yapıya sahiptir.

Breast cancer is the most common cancer type among other cancer types in recent years. X-ray imaging method, known as mammography for diagnosis and treatment of breast cancer, is widely used. The mammogram images, produced by mammography devices, are examined, interpreted, and a report about the patient is written by radiologists. Radiologists first try to catch masses and microcalcifications in mammogram images. Detection of microcalcification (MC) is a more difficult process than mass detection. Research has shown that radiologists have difficulty detecting microcalcification and they work with seventy percent accuracy. In recent years several computer aided detection systems have been developed on breast cancer diagnosis. Researchers have been developing methods, approaches and algorithms catching masses and MC in mammogram images. In this study machine learning method was used for detection of microcalcification problem. In the current study, the characteristic features of MC patterns were analyzed by using quantitative methods such as gray level co-occurrence matrix based texture analysis (GLCM), wavelet-based parsing, two-dimensional equal width separation (EWD2), and multi-window based statistical analysis (MWBSA), and a machine learning approach was developed by employing a classifier and support vector machine (CSM) known as multi-layer percepteron neural network (MLPNN). The validity of the study findings was performed using the Receiver Operating Characteristic (ROC) method, which is used for determining the distinctiveness of a test during a medical decision making process. As a result of this test, also known as sensitivity and specificity test, the best result was obtained with MWBSA method using MLFFNN classifier during microcalcification diagnosis process. The best result for CSM classifier was obtained using EWD2 and GLCM methods. At the second stage, which is the classification of candidate microcalcifications, the best values for MLFFNN classifier were obtained using EWD2 and GLCM methods, whereas the best result in experiments employing CSM classifier was obtained using wavelet method. At the end of the study, MC based breast cancer detection system called BCDS with a GUI was developed using MATLAB. The developed software is a dynamic and well suited structure into which new classifier models and extraction methods can be integrated in the future.