Tıbbi görüntü işleme ile tanı koymada veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi

Görüntü işleme, bilgisayara aktarılan görüntülerden faydalı bilgiler elde etmek amacıyla farklı matematiksel algoritmalar uygulanan yöntemler bütünüdür. Görüntü işlemede, birincil hedef olarak görüntülerin kalitesinin iyileştirilmesi amaçlanmaktadır. Görüntü işlemenin bir diğer olumlu yanı da görüntüleri tanımlayan sayısal değerlerin (öznitelikler) elde edilmesidir. Görüntü işleme yöntemi ile görüntülerden elde edilen öznitelikler, görüntüleri sınıflama amacıyla kullanılmaktadır. Çeşitli hastalıklara erken tanı koymada görüntüleme yöntemlerinin gelişmiş olmasına rağmen istatistiksel yöntemler ve çeşitli görüntü işleme algoritmaları da önemli olabilir. Bu çalışmada tıbbi görüntü işleme teknikleri kullanılarak mamografi görüntüleri sayısallaştırılıp öncelikle normal-anormal lezyon saptamada, sonrasında malign-benign lezyonları ayırmadaki başarısı incelenmiştir. Uygulanan beş farklı görüntü ön işleme algoritmasının, farklı iki bölütleme yönteminin ve meme doku tipinin sonuçlara olan etkisi araştırılmıştır. Ayrıca kullanılan farklı görüntü işleme tekniklerinde veri madenciliği ve derin öğrenme algoritmalarının da sınıflama performansları karşılaştırılmıştır. Bunun için açık kaynaklı MIAS veri tabanındaki 209 normal, 61 benign ve 52 malign olan 322 mamografi görüntüsü kullanılmıştır. Görüntü işleme içerisinde oluşturulan beş farklı ön işleme ve iki farklı bölütleme algoritmaları karşılaştırıldığında, görüntüler üzerinde uygulanan ön işleme ve görüntü bölütleme tekniklerinin sınıflama performans ölçülerini etkilediği görülmüştür. Genel olarak bu veri setinde klasik veri madenciliği yöntemlerinden DVM, RO ve YSA diğer algoritmalardan daha iyi performans göstermiştir. Derin öğrenme yöntemleri de klasik veri madenciliği yöntemlerine benzer sonuçlar vermiştir.