İçerik Tabanlı Görüntü Erişim Sistemi Konusuna Yönelik Katkı: Tarama Mamografi Analizi İçin CBIR GLCM, 2DPCA, ve SURF Karşılaştırılması

Abstract

Meme kanseri tüm dünyada kadınların kansere bağlı ölümlerin başında gelen nedenlerden biridir. Meme kanserini teşhis edebilmek için tarama mamografi yöntemi kullanılıyor. Tarama mamografi yöntemiyle hastalık anormal göğüslü insanlarda erken tedavi için kullanılıyor. Çünkü bazı durumlarda anormallik tespit edilemiyor ve doktorlar tarafından görülemiyor. Radyologların mamografi görüntülerine dayalı teşhislerini kolaylaştırmak için Bilgisayarlı Tanı (Computer-aided Diagnosis, CAD) sisteminde aktif araştırmalar yapılıyor. Bu sistemin hedefi doktorların yerini almak değil, aksine doktorlara teşhisleri sırasında yardımcı olmaktır. Bazı CAD sistemleri önceki benzer vakalarda ya da durum tabanlı çıkarsamalar sunarak doktorlara yardım ediyor. Mamografi alanında bu tür sistemler İçerik Tabanlı Görüntü Erişim Sistemi (Content-based Image Retrieval, CBIR) alanında incelenmistir. CBIR alanında çeşitli sorunlar vardır. Bazı çalışmalar anlamsal katmanın nasıl kullanılacağı hakkında araştırmalar yapıyor, bazılarıysa hangi düşük seviye özelliği ve benzerlik metriği kullanıldığını araştırıyor, ve bazıları da veri yönetimi bölümü hakkında araştırmalar yapıyor. Bu tez CBIR sisteminin ikinci sorununa katkıda bulunmaya çalışıyor. Biz CBIR mamografi alanında Gri seviye Eş-oluşum Matrisi (Grey-level Co-occurrence Matrix, GLCM), İki boyutlu Temel Bileşen Analizi (Two-dimensional Principal Component Analysis, 2DPCA) ve Hızlandırılmış Sağlam Özellikleri (Speeded-up Robust Feature, SURF) yöntemlerini karşılaştırmak için çalışıyoruz. İlk olarak, MIAS veri tabanında normal ve anormal sınıf sınıflandırılmasında karşılaştırarak her yöntem için en iyi parametreyi bulmaya çalışıyoruz. Sonra, 3 alt sınıf ve 6 anormal alt sınıf olmak üzere 9 sınıfa ayrılan veritabanı bize önceki adımla alınan en iyi parametreyle her yöntemin performansını gösteriyor. Son olarak, görüntü alma adımını kullanarak CBIR sistemine benzer bir sistem oluşturuyoruz. Bu durumda Öklit Distans ve MI benzerlik ölçüsünü karşılaştırmış oluyoruz. Bu tezin sonucu bize GLCM, 2DPCA, ve SURF yöntemlerinin normal ve anormal, meme yoğunluğu ve anormallık, ve görüntü alma adımı alanlarında karşılaştırıldığında SURF yönteminin en iyi yöntem olduğunu gösteriyor.

Breast cancer is one of the leading cause of cancer deaths in women worldwide. One of the prevention methods for breast cancer death is making use of screening mammography. Screening mammography is used to detect anomaly in the breast so those with abnormal breasts can get earlier treatment, because some abnormality is not palpable, thus might go undetected by the patient or doctor. There have been active research areas surrounding computer-aided diagnosis (CAD) to aid radiologists on making diagnostics based on mammography images. The aim of these systems is not to replace doctors, but to aid them during their diagnosis. Some CAD is aiding doctors by providing them with previous similar cases, or case-based reasoning. In mammography, such system is studied in the field of Content-Based Image Retrieval (CBIR). There are several issues in the field of CBIR. Some studies are researching about how the semantic layer is going to be used, some are about which low-level feature and similarity metric is used, and some are researching about the data management part of CBIR. This thesis is trying to contribute towards the second problem of CBIR, in which we are trying to compare Grey-level Co-occurrence Matrix (GLCM), Two-dimensional Principal Component Analysis (2DPCA), and Speeded-Up Robust Features (SURF) as low level features for mammography in CBIR system. First, we are trying to find the best parameter for each methods by comparing them in classification of normal and abnormal class of mammography images from MIAS database. After that, with the best parameter taken from the previous step, we are trying to see the performance of each methods when the database is divided into 9 class; 3 subclasses of normal class and 6 subclasses of abnormal class. Lastly, we are simulating the CBIR environment by doing the image retrieval stage while comparing euclidean distance and MI for similarity measure. The result of this thesis shows that SURF performed the best compared with GLCM and 2DPCA in differentiating normal and abnormal, differentiating breast density and abnormality, and for image retrieval.