Radyoloji uzmanlarının mamografi görüntülerine bakarak yaptığı meme kanseriteşhislerinde tip bir hata oranı yüzde otuzlara kadar çıkmaktadır. Kanserin teşhisbaşarısını artırmak adına bu çalışmada uzmanlara yardımcı olacak yeni birBilgisayar Yardımlı Teşhis sistemi, kanserli ve normal dokuyu ayırt etmek içinönerilmektedir. Önerilen sistemde kontrast limitli histogram eşitleme (CLAHE)yöntemiyle iyileştirilen görüntülerin iki boyutlu parçacık dönüşümlerinden (2B–DWT) Haralick ve HOG öznitelikleri çıkarılmıştır. Özniteliklerin sayısını azaltmasıiçin temel bileşenler analizi (PCA) algoritması kullanılmıştır. Seçilen öznitelikler çokkatmanlı algılayıcı (MLP) mimari yapısına sahip yapay sinir ağına (YSA) girdi olarakverilmiştir. Çok katmanlı algılayıcı üzerinde Adam eniyileme yapıldığında %81tespit doğruluğu yakalanmıştır. Ayrıca, diğer bir çok temel makine öğrenmesi vederin öğrenme yöntemleri denenerek karşılaştırma sonuçları detaylı olaraksunulmuştur. Sınırlı sayıda veri kümesi kullanıldığında transfer öğrenim kullanılsadahi derin öğrenme yöntemlerinin tespit başarısı azalmıştır. Buna karşılık doğru önişleme, öznitelik seçilimi ve makine öğrenmesi yaklaşımları kullanıldığı zamangeleneksel bilgisayarlı görü yöntemleri daha başarılı sonuçlar vermiştir
Radiologists’ Type I error rate of Breast Cancer Detection from mammography images can reach up to thirty percent. In this study to assist radiology experts, a new Computer Aided Detection (CAD) system is proposed in order to increase the detection rate of Breast Cancer. A CAD system distinguishes the cancerous regions from normal tissues. In the proposed system, Haralick and HOG features are extracted from two-dimensional Wavelet transformed images which are enhanced by the CLAHE method. PCA algorithm is employed to select the extracted features. The selected features are given as input to a multi-layer perceptron (MLP) architecture. A detection accuracy of 81% is achieved when Adam optimization is used. In addition, various machine learning and deep learning methods have been implemented for comparison. When limited number of samples are used, the detection success of deep learning methods decreases even if transfer learning is employed. On the contrary, conventional computer vision methods give more successful results when appropriate combination of preprocessing, feature selection and machine learning algorithms are selected.
