Sonuçlar - SONUÇLAR ve ÖNERİLER - Görüntü zenginleştirme ve hücresel YSA kullanarak meme kanser

8. SONUÇLAR ve ÖNERİLER

8.1. Sonuçlar

Meme kanseri dünya genelinde (Stewart ve ark. 2004) ve Türkiye’de (Türkiye’de Kanser Kontrolü 2007) kadınlar arasında en sık rastlanan kanser tipi olduğu göz önünde tutulduğunda, meme kanserinin erken teşhisi, hastanın hayatta kalması açısından oldukça önemlidir. Meme kanserinin mamogram ve diğer biyomedikal görüntüler üzerinde tanımlama işleminde kitlelerin iyi huylu (benign) veya kötü huylu (malign) olup olmadığına ve görüntüler üzerinde belirlenmesi zor olan mikrokalsifikasyon olarak adlandırılan küçük kalsiyum taneciklerinin varlığına bakılmaktadır. Mamografi görüntüleri, üç boyutlu konumdan iki boyutlu görüntülere dönüştürüldüğünden dolayı farklı dokular üst üste gelmekte, şüpheli bölgelerin değerlendirilmesi zorlaşmaktadır. Bu problemleri ortadan kaldırmak ve hekimlere yardımcı olmak amacıyla bir Karar Destek Sistemi (KDS) geliştirilmiştir.

Hekimler mamogram görüntülerini değerlendirmede, görüntüler üzerinde çeşitli görüntü netleştirme işlemlerini manuel olarak yaptıkları farklı programlar kullanmaktadırlar. Bu programların başarısı hekimin tecrübesine bağlıdır. Tez çalışmasında, yeni geliştirilen bir güçlendirme algoritması sayesinde başarılı bir bölütleme işlemi yapılarak akıllı bir sistem tasarlanmıştır. Hekimlerin bu geliştirilen sistemi rahat kullanabilmeleri için de kullanıcı uyumlu ara yüz içeren bir program yazılmıştır.

Tez çalışması temelde iki ana yapı üzerine kurulmuştur. Birincisi, histogram temelli yeni bir güçlendirme algoritması geliştirilmiştir. İkincisi, mamogram görüntüleri üzerindeki mikrokalsifikasyon ve kitleleri belirlemede, HYSA temelli bir yapıyla bölütleme yapılıp, şekil analizi ile sınıflandırma yapılmıştır.

Mamogram görüntülerinde kitle yoğunluğunun otomatik olarak güçlendirmesi amacıyla geliştirilen ALIE (Automated Lesion Intensity Enhancer) algoritmasının, literatürde mevcut olan CLAHE, HE ve US güçlendirme algoritmaları ile karşılaştırması Çizelge 7.1.’de verilmiştir. MIAS veri tabanından rastgele seçilen 22 görüntüye CLAHE, HE, US ve

geliştirilen ALIE algoritması ayrı ayrı uygulanarak güçlendirme yapılmış ve güçlendirilen bütün görüntüler için EME, AMBE ve UIQI performans kriterleri hesaplanmıştır.

EME kriterine göre, HE ve US güçlendirme algoritmalarında güçlendirmenin zayıf olduğu, CLAHE algoritmasında aşırı güçlendirme olduğu görülmektedir. ALIE algoritması ise diğer algoritmalara göre daha ideal değerlere ulaştığı görülmektedir. UIQI kriterine göre değerlendirildiğinde, CLAHE ve HE algoritmalarında bilgi kayıplarının fazla olduğu, ALIE algoritmasında orta düzeyde bir başarı elde edildiği, US algoritmasının bu algoritmalar içinde UIQI kriterine göre en başarılı sonuçlara ulaştığı görülmektedir. AMBE kriterine göre, CLAHE ve US algoritmaları düşük değerlere, HE algoritması yüksek değerlere çıkmıştır. ALIE algoritması AMBE kriterine göre, diğer algoritmalara göre daha başarılı değerlere sahip olduğu görülmüştür. Çizelge 7.1.’deki veriler değerlendirildiğinde geliştirilen güçlendirme algoritması ALIE’nin başarılı bir algoritma olduğu söylenebilir.

Çizelge 7.2.’de ALIE algoritmasının doku yapısına göre performans karşılaştırılması yapılmıştır. ALIE güçlendirme algoritması, EME ve AMBE açısından yağlı-glandular dokularda en başarılı sonuca ulaştığı, yağlı dokularda elde edilen başarı oranının diğer dokulara göre düşük kaldığı görülmüştür. UIQI açısından değerlendirildiğinde, bütün dokularda başarı oranının yüksek olduğu görülmüştür.

Çizelge 7.3.’de ALIE, CLAHE, HE ve US algoritmalarının MIAS veri tabanındaki görüntülerin HYSA ile sınıflandırılmalarının sonuçları görülmektedir. Çizelge 7.3.’de aynı zamanda iki ayrı radyolog hekimin (Radyolog1 ve Radyolog2) görüntüleri, ham ve güçlendirme algoritması uygulandıktan sonra değerlendirmesi de verilmiştir.

Çizelge 7.3’de geliştirilen ALIE güçlendirme algoritmasının diğer algoritmalara göre %82’lik bir doğruluk elde ederek en başarılı algoritma olduğu görülmektedir. Radyolog1 ham verilerde %84, ALIE ile güçlendirilmiş verilerde %89’luk doğruluğa erişerek %5’lik bir performans artışı yakalamış, Radyolog2 ise ham verilerde %80, ALIE ile güçlendirilmiş verilerde %86’lık doğruluğa erişerek %6’lık bir performans artışı yakalamıştır. Bu sonuçlardan ALIE güçlendirme algoritmasının görüntüler üzerinde karar vermede başarıyı artırdığı görülmektedir.

Mikrokalsifikasyon ve kitlelerin sınıflandırılmasında alan, büyük, küçük, uzun, çevre, EnBoyOranı, Uzama ve yoğunluk parametreleri elde edilerek şekil ve doku analizi yapılmıştır. Hastane veri tabanındaki 286 adet mamogram görüntülerinde manign kitleler, benign kitleler ve mikrokalsifikasyonlar için elde edilen şekil ve doku analizi parametrelerine ait piksel cinsinden ortalama değerler Çizelge 8.1.’de verilmiştir. MIAS veri tabanındaki 100 adet mamogram görüntülerinde manign kitleler, benign kitleler ve mikrokalsifikasyonlar için elde edilen şekil ve doku analizi parametrelerine ait piksel cinsinden ortalama değerler Çizelge 8.2.’de verilmiştir.

Çizelge 8.1. Hastane veri tabanındaki görüntülerden elde edilen şekil ve doku analizi

parametrelerine ait ortalama değerler

Manign kitleler için (ortalama değerler)

Alan Büyük Küçük Uzun Çevre EnBoyOranı Uzama Yoğunluk 27.5 10.3 6.55 12.30 24.1 0.39 0.94 28.7

Benign kitleler için (ortalama değerler)