Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
Bilgisayar Destekli Kanser Teşhis Sistemi
Emre Dandıl, Ufuk Çağlar, İzzet Öztü[email protected], [email protected], [email protected]
Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, Bilecik
Özet: Meme kanseri kadın ölümlerinin başlıca sebepleri arasında gelmektedir. Bu proje ile ciddi bir hastalık olan meme kanserinin erken teşhis edilerek gerekli tedavinin uygulanması planlanmaktadır. Bu projenin ana amacı ise, bilgisayar destekli görüntü işleme yaparak kanser teşhis sistemi oluşturmaktır. Bu çalışmada meme(breast) kanseri görüntülerini iyi huylu ve kötü huylu olarak tespit etmeyi sağlayan bilgisayar destekli bir sistem gerçekleştirilmiştir. Tasarlanan sistem dört aşamadan oluşmuştur. Bu aşamalar görüntü ön işleme, segmentasyon, özellik çıkarımı ve sınıflandırmadan meydana gelmektedir. Bu sistem içerisindeki OTSU yöntemi ile resim bölütlenmiştir. Bu bölütlenmiş görüntüye GLCM yöntemi uygulanarak özellik çıkarımı yapılmıştır. Daha sonra hızlı bir YSA tekniği olan PNN ile sonuçlar iki şekilde kullanıcıya sunulmaktadır. Bu sonuçlar iyi huylu ve kötü huylu olmak üzere iki gruptur. Sistemin başarı oranı ise %97.2 olarak tespit edilmiştir.
Anahtar Kelimeler: Meme kanseri, Görüntü işleme, Ön işleme, Bölütleme, Sınıflandırma
Abstract: Breast cancer is the main cause of death among women comes . With this project, which is a serious disease by early detection of breast cancer is planned to implement the necessary treatment . The main objective of this project , however, by computer-assisted image processing system is to create a cancer diagnosis . In this study, breast ( breast ) cancer, benign and malignant as images capable of detecting a computer aided system was carried out . The designed system is composed of four stages . These stages include image pre-processing , segmentation, feature extraction and classification occurs . OTSU method in this system are segmented image . This segmented image feature extraction is made to the method of GLCM . Then with a quick PNN results ANN technique, which is presented to the user in two ways . These results are two groups of benign and malignant . If the success rate of the system was determined to be 97.2 % .
Keywords: Breast cancer,Image processing, Filtering, Segmentasyon, Classification
1.Giriş
Günümüzde görüntü işleme, özellikle dijital teknolojilerin hızlı gelişimi ile hayatımızın bir çok alanında kendini göstermeye başlamıştır. Savunma sanayisinde, tasarım ve imalat uygulamalarında, hava ve uydu görüntülerinden hava durumu tahmin edilmesinde, yeryüzündeki doğal kaynakların izlenmesinde, zirai ürünlerin tahmin edilmesinde, ormanların gelişimin incelenmesinde ve tıp alanında kanserli hücrelerin tespit edilmesi gibi uygulamalarda sıklıkla görüntü işleme teknikleri kullanılmaktadır.
Meme kanseri meme hücrelerinde başlayan bir kanser türüdür. Akciğer kanserinden sonra, dünyada görülme sıklığı en yüksek olan kanser türüdür. Her 8 kadından birinin hayatının belirli bir zamanında meme kanserine yakalanacağı bildirilmektedir.[1][2] Erkeklerde de görülmekle beraber, kadın vakaları erkek vakalarından 100 kat fazladır. 1970’lerden bu yana meme kanserinin görülme sıklığında artış yaşanmaktadır ve bu artış modern, batılı yaşam tarzı sebep olarak gösterilmektedir. Kuzey Amerika ve Avrupa ülkelerinde görülme sıklığı, dünyanın diğer bölgelerinde görülme sıklığından fazladır.[3]
Meme kanseri, yayılmadan önce , erken teşhis edilirse, hasta %96 oranında yaşam şansına sahip olur. Her yıl 44000'de bir kadın meme kanserinden ölmektedir. Meme kanserine karşı en iyi koruyucu yöntem erken teşhisdir.[4]
Meme kanserinin birçok tipi vardır. En sık rastlanan duktal karsinoma, memenin süt kanallarında başlar. Meme kanseri memenin dışına yayıldığında koltuk altındaki lenfatik nodüller en sık görülen yayılım yerleridir. Kanser hücreleri memenin diğer Lenf Nodlarına, Kemiğe, Karaciğer ve Akciğere yayılabilir. Her kadın meme kanseri gelişme riskine sahiptir. Gerçekte meme kanseri gelişen kadınların çoğunda risk faktörleri belli değildir.[5]
Şekil 1’de meme kanserinin yaşa özel hızlarının dağılımı gösterilmektedir.
Şekil 1. Meme kanserinin yaşa özel hızlarının
dağılımı(Birleşik Veri Tabanı,2009)[6]
İnsan, yaşamında meme kanserine sebep olacak herhangi bir yanlış yapmamış olsa da bu hastalık türüne yakalanma riski vardır.[7] Tüm sonuçlar meme kanserine karşı en iyi koruyucu yöntemin erken teşhis olduğunu göstermektedir. Bu nedenden dolayı görüntü işleme tekniklerinden faydalanılarak bu çalışmada bu kanser türünün erken teşhis edilerek vakit kaybetmeden tedavi kısmına geçilmesi amaçlanmaktadır.
Bu çalışma 4 aşamadan oluşmaktadır. Birinci aşama da analog ortamlardan dijital ortamlara alınan görüntülerinin iyileştirmesi, yani gürültülerin(noise), bozuklukların onarılması için görüntü ön işleme yapılmaktadır. İkinci bölümde ise görüntü Otsu segmentasyon(bölütleme) yöntemi işlemine tabi tutularak kanserli kısmın görüntüden çıkarılması sağlanmıştır. Üçüncü aşama da gri seviye eş-oluşum matrisi (GLCM-Gray Level Co-occurence Matrix) ile segmente edilmiş görüntüye ait özellikler çıkarılmıştır ve son aşama olan sınıflandırma kısmında Olasılıksal Sinir Ağları (Probabilistic Neural Network - PNN) yönteminde bu özellikler kullanılarak kanser türünün iyi huylu mu yoksa kötü huylu mu olduğunu çıktı olarak kullanıcıya veren kanser teşhis sistemi geliştirilmiştir. Sisteme ait aşamalar Şekil 2’ de gösterilmiştir.
Şekil 2. Kanser teşhis sistemi aşamaları
2. Benzer Çalışmalar
Çeşitli çalışmalarda meme tümörü tespiti için segmentasyon algoritmaları geliştirilmiş ve bu algoritmalar görüntülerin işlenmesi sonucunda iyi huylu ve kötü huylu olarak sınıflandırmak amacıyla formülize edilmişlerdir. Samual H. Lewis and Aijuan Dong[8] memede oluşan tümörleri tespit etmek için Marker-Controlled Watershed bölütleme(segmentasyon) algoritmasını geliştirmişlerdir. Bu yöntem ilk olarak mamogram görüntülerinin ön ve arka planlarını işaretler ve daha sonra tümör olan bölgeyi çevresindeki bölgelerden izole etmek için Watershed bölütleme algoritmasını uygular. Watershed bölütleme tüm görüntü içerisindeki mevcut piksel yoğunluk değişimine dayanmaktadır. Marker –Controlled Watershed segmentasyon yöntemi tümör yerini tespit etmede oldukça başarılı oldu. Watershed segmentasyon değişik görüntü işleme ve bilgisayarla görme işlemlerinde kullanılmıştır. Arianna Mencattini, Marcello Salmaeri and Simona Salicone [9] yaygın olarak meme kanserlerinin teşhisinde kullanılan CAD(Bilgisayar destekli algılama-Computer Aided Detection) ve CADx(Bilgisayar destekli teşhis) sistemlerini açıklar. Her iki sistemde hastalığın belirtileri ile ilgili görüntülerdeki kalıpları tespit ederek onlara bir malignite indeks atamak için bilgisayar algoritmaları kullanımını içerir. Sonuç olarak bu algoritmalar sayesinde görüntülerdeki anormal bölgelere hekimin dikkatini dikkati çekilmiş olur. Jawad Nagi,
Sameem Kareem and Farrukh Nagi a Breast profile segmentasyon(meme profili bölütleme) yöntemini önerdiler. Breast profile segmentasyon(meme profil bölütleme) mamografi segmentasyon için otomatik bir tekniktir.
3. Materyal ve Metot
Bu uygulama da matlab teknolojisi kullanılmıştır. MATLAB (MATrix LABoratory), 1985’de C.B Moler tarafından, özellikle matris temelli matematik ortamında kullanılmak üzere geliştirilmiş etkileşimli bir paket programlama dilidir.[11] MATLAB mühendislik hesaplamalarında; sayısal hesaplama, veri çözümleri ve grafik işlemleri için genel amaçlı bir programdır. Bununla beraber özel amaçlı modüler paketlere de sahiptir. CONTROL TOOLBOX, SIGNAL TOOLBOX, IMAGE PROCESSİNG TOOLBOX v.b gibi paket programlar (CACSD), denetim sistemlerinin tasarımında çok etkili araçlardır. Ayrıca WINDOWS ortamında çalışan SIMULINK, etkileşimli benzetim programlarının hazırlanması ve çalıştırılmasında büyük kolaylıklar sağlamaktadır. Bu uygulama için MATLAB R2010a sürümü tercih edilmiştir.
3.1 Matlab Paket Programı Çalışma Ortamı
Matlab çalışma ortamı Şekil 3 de gösterildiği gibidir. Matlab Desktop ana uygulama alanıdır. Program açıldığında ekrana ilk gelen kısımdır. Default(varsayılan) olarak görünümü Şekil 3 deki gibidir.Command Window bölümü ise matlab komutlarının ve denklemlerinin yazıldığı kısımdır. Sonuçlar ve komutlar bu kısımda görüntülenmektedir.Current Directory çalıştırılan uygulamanın adresinin bulunduğu kısımdır. Çalışılan görüntüler bu kısımda saklanıyorsa bu dosyaları sadece ismiyle işleme sokabiliriz.Workspace Browser Command Window da tanımlanan değişkenler hakkında bilgi verilen kısımdır. Değişken üzerine çift tıklanıldığında detay verir.
Command History Window önceden yazılmış komutların görüldüğü bölümdür. Bu kısımdan
seçilen komutlar, komut penceresine kopyalanarak yeniden çalıştırılabilir.
Şekil 3. Matlab paket programı
3.1 Veri Toplama
Matlab da uygulaması gerçekleştirilen kanser teşhis sisteminin genel mimarisi Şekil 3 de gösterildiği gibidir. Bu işlemlerin gerçekleştirilebilmesi için ilk olarak Uniformed Services University(USUHS)[10] tıp merkezinden dijital mamografi görüntüleri elde edilmiştir. Elde edilen görüntülerle bir veritabanı oluşturulmuştur. Oluşturulan bu veritabanında 53 tane görüntü bulunmaktadır. Bu 53 görüntünün 36 tanesi iyi huylu 27 tanesi ise kötü huylu olarak belirlenmiştir. Bu mamogram görüntülerinin iyi huylu mu yoksa kötü huylu mu olduğu Uniformed Services University (USUHS) tıp merkezi hekimleri tarafından belirlenmiştir.
3.2 Metodoloji
Bu bölümde meme kanseri teşhis siteminin ayrıntılı bir mimarisi sunulmaktadır. Şekil 4’de de görüldüğü gibi meme kanseri teşhis sistemi uygulama adımları belirtilmiştir. Şekil 4. Uygulama mimarisi
A. Görüntü Ön İşleme
Mamogram röntgen görüntülerini ilk haliyle yorumlamak zordur. Yani analog ortamlardan dijital ortamlara aktarılan görüntülerde bir görüntü bozukluğu oluşur. Bu mamogram görüntülerindeki gürültüyü(noise) iyileştirmek ya da azaltmak için çeşitli görüntü filtreleme yöntemleri kullanılır. Bunlar filtreleme çeşitlerinden bazıları imnoise filtreleme, average filtreleme, unsharp filtreleme, gaussian filtreleme ve median filtreleme gibi filtreleme çeşitlerinden oluşmaktadır. Filtreleme işlemleri temel olarak piksel değerlerinin değiştirilmesi ile oluşan yeni değerlerin değerlendirilmesi sonucu oluşmaktadır. Görüntülerdeki oluşturulmuş olan yeni piksel değerlerine göre görüntünün bulanıklaştırılması, keskinleştirilmesi, parlaklığının artırılması, renk düzeylerinin anlamlandırılması gibi işlemler yapılarak o anki ihtiyaca göre görüntü ön işleme yaparak
eldeki görüntünün analog ortamdan dijital ortama geçtiğinde oluşan gürültünün bir nebze iyileştirilmesi sağlanarak görüntü daha sağlıklı bir hale getirilir. Bu uygulamada median fitreleme yöntemi kullanılmıştır. Bu filtreleme yönteminde, orjinal sıralanmış piksel komşularının arasındaki ortanca değer ile değiştirilir. Bunun ağırlıklı ortalama filtrelerinden farkı şudur: Ağırlıklı ortalama filtrelerinde, komşuların ağırlıklı ortalaması alınır, hesaplanan bu değer orijinal piksel ile yeniden ortalanarak sonuç bulunur. Ortanca filtresinde ise, komşuluk değerleri önce sıraya konulur, sonra ortadaki değer alınır. Bu değer doğrudan sonuç kabul edilir. Ortanca değeri net elde edebilmek için genellikle tek sayıda komşu seçilir. Eğer hesaplamada çift sayıda komşu kullanılırsa, bu durumda ortada kalan iki pikselin aritmetik ortalaması kullanılır.[12]Şekil 5 de orijinal mamogram görüntüsüne uygulanmış median filtreleme yöntemi gösterilmiştir.
Şekil 5. Orijinal mamogram görüntüsüne median filtreleme uygulamaB. Bölütleme İşlemi
Bölütleme(segmentasyon) işlemi mamogram görüntüleri içerisindeki kitle yani tümör hatlarını çıkarmak için gereklidir. Mamogram görüntülerini bölütlemek için OTSU yöntemi kullanılmıştır.
Otsu segmentasyon yöntemi eşikleme ya da ikili tonlama gri tonlanmış bir görüntünün siyah-beyaz(ikili) uzaya dönüştürülmesi işlemidir. Siyah-beyaz görüntüler, görüntü üzerindeki renklerin pek önemli olmadığı, görüntü üzerinde belirli şekillerin veya dizilerin arandığı uygulamalarda işlem yükünü hafifletmek ve görüntü üzerinde
mantıksal (0-1) işlemleri hızlı bir şekilde yapabilmek için sıklıkla kullanılan görüntülerdir. Basitçe gri seviye bir görüntü üzerinde 0-255 arasında seçilen bir T eşik değerine göre, siyah-beyaz resim aşağıdaki şekilde oluşturulur.[13]
Burada T değerinin doğru seçilmesi kritik önem taşımaktadır. Eğer T değeri çok büyük seçilirse oluşturulacak yeni görüntüde pek çok piksel beyaz(1), küçük seçilirse de siyah(0) olacağından görüntünün içerdiği bilgi ciddi miktarda azalacaktır. Birkaç resim için ideal eşik değeri deneme yoluyla bulunabilse de farklı ışık ortamlarında çekilmiş çok sayıda görüntü için bu söz konusu olamaz. Bu nedenle girdi resmine karşılık eşik değerini otomatik olarak hesaplayan bir algoritma gerekmektedir. Nobuyuki Otsu (1979) tarafından geliştirilen Otsu metodu ile eşik değeri görüntü üzerinden hesaplanmaktadır. Metod görüntü üzerinde iki ayrı sınıf(plan) olduğunu kabul ederek, bu iki sınıf arasındaki varyansı maksimum yapacak değeri bulmaya çalışır. Varyans bir dizinin elemanlarının dizinin ortalamasına olan uzaklıklarının karelerinin ortalamasıdır. Bu değere bakarak dizi içerisindeki değerlerin ortalamaya ne derece yakın olduğu görülebilir.[13]
Yukarıda N uzunluklu dizi için varyans hesaplama formülü verilmiştir. Pr(x) ifadesi xi nin gelme olasılığıdır. Düzgün dağılımlı N uzunluklu bir dizi için bu değer 1/N dir. MxN bir görüntü için konuşacak olursak histogram dizisi hesaplandıktan sonra i tonunun gelme olasılığı histogram[i]/(MxN) dir. Sınıflar arası varyans ( siyah-beyaz sınıfları ) aşağıdaki formül ile bulunur.
Yukarıdaki formüller içerisinde w : sınıfların olma olasılığını, u : sınıf ortalamalarını temsil etmektedir. X(i) i. renk seviyesini belirtmektedir. Şekil 6 da mamogram görüntüsüne OTSU segmentasyon uygulanmış hali gösterilmektedir.
Şekil 6. Orjinal mamogram görüntüsüne Otsu metodunun uygulanmasıC. Özellik Çıkarımı
Mamogram görüntüleri ön işleme yapılıp iyileştirme yapıldıktan sonra segmentasyon işmine tabi tutulmuştur. Bu aşamalardan sonra artık gri seviye eş oluşum matrisi(GLCM) ile mamogram görüntülerinin özellik çıkarımı yapılmıştır.
GLCM, M. Haralick tarafından ortaya atılmış bir özellik çıkarma yöntemi olup, gri tonlu bir görüntünün özniteliğini çıkarmaya yaramaktadır. GLCM, iki komşu piksel arasındaki ilişkiyi tanımlar. Bu piksellerden birincisi referans pikseli, ikincisi de komşu piksel olarak bilinir [14]. Matristeki dağılım, pikseller arasındaki mesafe ve açıya göre ayarlanır. Bu matris, Ng boyutlu bir kare matris olup, matrisin her bir elemanı d mesafesindeki i ve j piksel değerlikli çiftin oluşum sayısını belirtir[15].
Pikseller arası uzaklığın yanı sıra, piksel çiftlerinin yönlerinin bilinmesine de gerek vardır. En çok ortak bilinen yönler ϑ=0, 45, 90, 135 ve bunların simetrik benzerleridir. Şekil 7 de gri seviye sayısı 8, pikseller arası uzaklık d=1 ve yön açısı ϑ=0 olarak hesaplanmış bir eş-oluşum matrisinin örneği verilmiştir. Burada, imge matrisi içindeki (1,1) ve (1,2) koordinatındaki (1,1) lik piksel çifti bir defa tekrarlandığından dolayı, bu piksel çiftinin eş oluşum matrisindeki (1,1) koordinatındaki elemanı, 1’e eşit olur. Benzer şekilde (6,2) piksel çifti, imge matrisi içinde 3 defa tekrarlandığından dolayı, eş oluşum matrisindeki karşılığı 3’e eşit olur. Bu adımlar imge matrisi içindeki diğer piksel çiftleri için de tekrarlanıp, imgeye ait eş oluşum matrisi hesaplanır.
Şekil 7. Eş oluşum matrisinin elde edilmesi
GLCM, özellik çıkarımı için bilinen en iyi yöntemlerden biridir ve yaygın olarak
kullanılmaktadır. Görüntü özelliklerini ikili piksel grupları arasındaki gri seviyesi değişimlerinin farklı kombinasyonları ile ilişkili olarak tahmin etmektedir. GLCM kullanılarak çıkarılan enerji, entropi, karşıtlık, korelasyon, homojenlik gibi özellikler daha sonra sınıflama işlemlerinde kullanılarak kanser türünün iyi huylu mu kötü huylu mu olduğunu belirten bir çıktı elde edilmektedir
D. Sınıflandırma
Sınıflandırma işlemi bir niteliğin değerini diğer nitelikleri kullanarak belirleme işlemidir. Bu uygulamada GLCM ile özellik çıkarımı yapılmış olan mamogram görüntülerinin PNN sınıflandırma yöntemiyle eğitilerek mamogram görüntülerinin iyi huylu mu yoksa kötü huylu mu olduğunu belirleyen iki çıktı verilmektedir.
Olasılıksal sinir ağları(Probabilistic Neural Network-PNN) Bayes-Parzen kestiriciler olarak da bilinir. K1 ve K2 sınıflarından birine ait, m-boyutlu bir x vektörü olsun. K1 ve K2 sınıflarına ait olasılık yoğunluk fonksiyonları F1(x) ve F2(x) olsun. Bayes Teoremi’ne göre x vektörü,
eşitsizliği doğru ise K1, eşitsizliğin tersi doğru ise K2 sınıfına aittir. Burada P1 ve P2, K1 ve K2 sınıflarının görülme olasılığıdır. L1, x vektörünün K1 sınıfına ait iken K2 olarak yanlış sınıflama oranı; L2 ise x vektörünün K2 sınıfına ait iken K1 olarak yanlış sınıflama oranıdır ve maliyet fonksiyonu olarak adlandırılır. Buradan görüleceği gibi, F1(x), F2(x), L1 ve L2’nin bilinmesi durumunda x vektörünün en yüksek olasılıkla hangi sınıfa ait olduğu tespit edilebilir [16]. PNN’lerde sınıflara ait yoğunluk fonksiyonları Parzen pencereleri [17] kullanılarak aşağıdaki şekilde bulunur:
Burada n eğitim verisi sayısı, m giriş uzayının boyutu, i örüntü numarası ve σ ise ayarlanabilir bir yumuşatma terimidir. Şekil 8 de de PNN sınıflandırma yöntemi şematize edilmiştir.
Şekil 8. PNN ile sınıflandırma
4. Bilgisayar Destekli Kanser Teşhis Sistemi
Bu projenin ana amacı, bilgisayar destekli
görüntü işleme yaparak kanser teşhis sistemi
oluşturmaktır. Bu kanser türü ise meme
kanseri olarak belirlenmiştir ve bilgisayar
ortamında çeşitli görüntü işleme teknikleri
uygulanarak bu görüntünün özellikleri
çıkarılmaktadır. Bu özelliklere dayanılarak bir
sınıflandırma işleminden geçirilen
görüntümüzün kanser olup olmadığını
hesaplayan bir program oluşturulmuştur.
Bu program Şekil 4 de de gösterildiği gibi
görüntü ön işleme, bölütleme, özellik çıkarımı
ve sınıflandırma olmak üzere 4 aşama da
gerçekleştirilmiştir.
Şekil 9. Uygulama aşamaları
Uygulama aşamaları Şekil 9 da açık bir
şekilde gösterilmiştir. Bu kısımda bir
mamogram görüntüsü girdi olarak verilerek 4
görüntü ön işleme, bölütleme, özellik çıkarımı
ve sınıflandırma aşamalarından geçirilerek
mamogram görüntüsünün iyi huylu mu yoksa
kötü huylu mu olduğunu belirten bir çıktı elde
edilmektedir. Uygulama örneği Şekil 10 da
gösterilmektedir.
Şekil 10. Uygulama örneği
Şekil 11 de ise uygulama arayüzünden bir
kesit gösterilmektedir. Uygulama arayüzünün
bu alanında PNN ile ağ eğitimi işlemi
gerçekleştirilmektedir. İlk olarak özellik
çıkarımı butonu yardımı ile veritabanımızda
kayıtlı olan mamogram görüntülerinin
özellikleri GLCM ile çıkarılmaktadır.
Veritabanında 36 tane iyi huylu 17 tane kötü
huylu resim bulunmaktadır. Daha sonra
eğitimi başlat butonu yardımı ile özelliği
çıkarılmış resimler PNN ile eğitilmektedir. Bu
eğitimde 26 tane resim test için 27 tane resim
ise eğitim için kullanılmıştır.
Şekil 11. Uygulama arayüzü
Uygulamamızın ana menüsü Şekil 12 de
gösterilmektedir. Bu arayüzde kullanıcı
başlangıç olarak mamogram görüntülerinin
bulunduğu veritabanını güncellemiş ise
özellik çıkarımı butonu ile tüm resimlerin
özelliklerini çıkarır. Daha sonra bu
özellikleri çıkarılmış resimler eğitime tabi
tutulur. PNN ile ağ eğitilmiş olur.
Kullanıcı ilk aşamada elindeki görüntünün
kanser teşhisini gerçekleştirebilmek için bu
görüntüyü, resmi yükle butonu ile sisteme
yükler. Yüklenmiş olan görüntüdeki
kirlilikleri azaltmak için filtreleme
işlemlerine tabi tutar. Filtrelenmiş görüntü
axes2 tablosunda görüntülenir. Kullanıcı
buna göre en uygun filtrelemeyi seçer.
Daha sonra görüntü segmentasyon
panelinde bulunan OTSU segmentasyon
işlemin sokulur. Bölütlenmiş görüntü
GLCM ile özellik çıkarımı butonu
yardımıyla özellikleri çıkarılır. Bu özellik
çıkarımı bir mat dosyasında saklanır. Daha
sonra bu özellikler eğitilmiş olan PNN
ağına giriş parametresi olarak verilir. Bu
gelen değerlere göre eğitilmiş olan PNN
ağımız bir sonuç parametresi üretir.
Üretilen bu parametre hastalığın iyi huylu
ya da kötü huylu olduğunu belirler. Her
işlem basamağı statictext de
gösterilmektedir.
Şekil 11. Uygulama çalıştırılmış hali
5. Sonuçlar ve Tartışma Meme kanseri kadın ölümlerinin başlıca
nedenlerinden biridir. Kanserin erken tanısı
ölüm oranını azaltarak daha fazla tedavi
seçeneği sunacaktır. Mamografi göğüs
kanserinin teşhisi için tarama ve radyoloji
uzmanları tarafından kullanılan en yaygın
soruşturma tekniğidir. Bu son derece hassas
ve düşük maliyetli bir saptama yöntemidir.
Birçok segmentasyon yöntemi algoritmaları
tümör tespiti için kullanılabilir.
Bu uygulama veritabanında 36 tane iyi huylu
17 tane kötü huylu resim bulunmaktadır.
Daha sonra eğitimi başlat butonu yardımı ile
özelliği çıkarılmış resimler PNN ile
eğitilmektedir. Bu eğitimde 26 tane resim test
için 27 tane resim ise eğitim için
kullanılmıştır. Ve başarı oranı %97.2 olarak
tespit edilmiştir.