Akciğer tomografisi görüntülerinde görüntü işleme teknikleri kullanılarak nodül tespiti ve yapay zeka ile nodüllerin nitelendirilmesi

Abstract

Akciğer kanseri, günümüzde gelişmiş ülkelerde en yüksek ölüm oranına sahip olan kanser türüdür. Erken tanı ve teşhisinde mortalite oranı önemli derecede azalmaktadır. Akciğer kanseri tanısındaki en büyük problem görüntülemedeki verilerin fazlalığı ve bu tür aday nodüllerin değerlendirilmesinin zorluğudur. Bilgisayar destekli tanı sistemi ise sistemi otonom hale getirerek hızlandırması ve uzman radyologlara yardımcı olması için geliştirilen uzman sistemdir. Bu tez çalışmasında, akciğer bilgisayarlı tomografi kesit görüntüleri üzerinden akciğerde bulunan birimlere sınıflandırma işlemi gerçekleştirilmiştir. Sistem görüntü işleme ve yapay zekâ olmak üzere iki ana başlık altında oluşturulmuştur. Görüntü işleme bölümünde ön işlemler ve aday nodüllerin tespit edilmesi gerçekleştirilmiştir. Juxtapleural nodüller çekme faktörü kullanılarak tespit edilmiştir. Elde edilen aday nodüllerin morfolojik özellikleri çıkarılarak yapay sinir ağı eğitilmiştir. Yapay sinir ağında elde edilen katsayılar genetik algoritma ile iyileştirilerek sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma Malign, benign, bronşlar ve damarlar, yanlışlar olarak 4 sınıfa ayrılmıştır. Bu tez çalışmasında kullanılan veri seti, "Sakarya Eğitim ve Araştırma Hastane" 'sinde PET-CT bölümünden temin edilmiştir. Veri setinde 36 hasta için 153 görüntüden 304 aday nodül bölgesi elde edilmiştir. Yapılan deneysel çalışma sonucunda elde edilen en iyi sınıflandırma, yapay sinir ağında %92,105 doğruluk oranı elde edilmiştir. Sınıflar için kullanılan özellikler için ve AUC (Area Under Curve) değeri 0,9847 elde edilmiştir. Genetik algoritma ile iyileştirme yapıldığında %94,407 doğruluk oranı elde edilmiştir. Sınıflar için kullanılan özellikler için AUC değeri 0,9735 değeri elde edilmiştir. Sınıfların ROC (Receiver Operating Characteristic) eğrileri kullanılarak her sınıf için optimum kesim noktaları elde edilmiştir. Elde edilen sonuçlar akciğer nodülleri için radyografik sınıflandırma başarımına olumlu katkı sağlamıştır. Oluşturulan sistem literatürdeki yapılan çalışmalar ile karşılaştırılabilecek düzeyde başarı sağlamıştır.

Today, lung cancer is the type of cancer that has the highest mortality rate in developed countries. In early diagnosis, the mortality rate decreases significantly. The biggest problem with lung cancer is the excess of imaging data and the difficulty of evaluating such candidate nodules. The computer-aided diagnosis system is an expert system developed to autonomously accelerate the system and to assist specialist radiologists. In this thesis study, the classification of lung units was performed on lung computerized tomography cross-sectional images. The system is composed of two main topics as image processing and artificial intelligence. In the image processing section, pre-processing and candidate nodules were detected. Juxta Pleural nodules were obtained using the shrink factor detect nodules. Obtained by subtracting the morphological characteristics of the nodule candidates are trained to artificial neural network. The coefficients obtained in the artificial neural network were classified by improving with genetic algorithm. Classification is divided into 4 classes as malign, benign, bronchi and veins, false positives. In this thesis study data set was obtained from PET-CT department in "Sakarya Eğitim ve Araştırma Hastanesi". In the data set, 304 candidate nodule regions were obtained from 153 images for 36 patients. In the experimental study performed, the best classification was achieved with an accuracy of 92,105% in the artificial neural network. For the features used for the classes, the Area Under Curve (AUC) value of 0.9847 was obtained. Improvements by the genetic algorithm were obtained 94.407% accuracy rate. For the features used for the classes, the Area Under Curve (AUC) value of 0,9735 was obtained. Using the ROC (Receiver Operating Characteristic) curves of the classes, optimum cut points for each class were obtained. The results obtained provided a positive contribution to the success of the radiographic classification for the lung nodules.