Görüntü İşleme Uygulaması ile Kanser Tespiti

Öz

Bu çalışmada görüntü işleme algoritmaları ve performansları incelenmiştir. Çalışmanın ilk bölümünde görüntü işleme, renk uzayı, C#'da kullanılabilecek fonksiyonlar ve çerçeveler incelenmiştir. Gerekli bilgilerin elde edilmesi sonucunda mevcut görüntüleri griye çeviren bir algoritma yazılmıştır. Daha sonra görüntünün kalitesini artırmak için görüntüye Medyan filtreleme uygulandı. Filtrelemeden sonra bölgeyi netleştirmek için eşik algoritması kullanıldı. Son olarak, görüntü işleme için Sobel kenar algılama algoritması kullanılmıştır. Görüntü işlemeden sonra tespit edilen tümör bölgesinin kanserli olup olmadığına karar vermek için makine öğrenmesi kullanıldı. Makine öğrenimi için bir veri kümesi ve NaiveBayes Sınıfı kullanıldı. Özetle proje, görüntü işleme ile tümör alanını belirler ve makine öğrenmesi ile tümörün kanserli olup olmadığını söyler.

Anahtar Kelimeler

• Sobel kenar algılama algoritması
• Görüntü işleme
• Medyan filtreleme
• Kanser algılama

Cancer Detection with an Image Processing Application

Abstract

In this study, image processing algorithms and their performances are examined. In the first part of the study, image processing, color space, functions and frameworks that can be used in C# are studied. As a result of obtaining the necessary information, an algorithm has been written that turns existing images into gray. Then, Median filtering was applied to the image in order to increase the quality of the image. Threshold algorithm was used to clarify the region after filtering. Finally, Sobel edge detection algorithm was used for image processing. Machine learning was used to decide whether the tumor region detected after image processing is cancerous or not. A dataset and NaiveBayes Class are used for machine learning. In summary, the project determines the tumor area with image processing and tells whether the tumor is cancerous with machine learning.

Keywords

• Sobel edge detection algorithm
• Image processing
• Median filtering
• Cancer detection

References

1. Kaya, P.: 2017, Türkiye'de Her Yıl 163 Bin Kişi Kanser Tanısı Alıyor! Işte Kanser Istatistikleri, Medikal Akademi, Https://Www.Medikalakademi.Com.Tr/Turkiyede-Her-Yil-163-Bin-Kisi-Kanser-Tanisi-Aliyor-Iste-Kanser-Istatistikleri/ ,last accessed 2017/12/21.
2. Siyah, B.: 2012, “Görüntü Filtreleme Uygulamaları Ve Amaçları Matlab”, Http://Www.Bulentsiyah.Com/Goruntu-Filtreleme-Uygulamalari-Ve-Amaclari-Matlab/, last accessed 2018/1/7.
3. Evans, A. N., Liu, X. U.: A Morphological Gradient Approach To Color Edge Detection. In: Ieee Trans. On Image Processing,15(6),1454-1463,(2006)
4. Cesar, S.: 2009, The accord.net image processing and machine learning framework, Http:// Accord-Framework.Net/Intro.Html, last accessed 2018/1/7.
5. Bulu, H., Alpkoçak, A.: Tıbbi Görüntüler Için 3 Boyutlu Bölütleme Algoritmalarının Karşılaştırılması. In:15. Sinyal İşleme Uygulamaları Kurultayı Bildiriler Kitabı, Eskişehir, 2007
6. Kutluk, T., Kars, A.: Kanser Konusunda Genel Bilgiler,Ankara,1992, 10040932
7. Doğan, T., Sert, E., Taşkın, D.: Araç Destek Sistemleri Için Kuş Bakışı Görüntü Dönüşümü. In: Akademik Bilişim 2013 – XV. Akademik Bilişim Konferansı Bildirileri, 23-25 january 2013, Antalya
8. Karateke, A.: Meme Kanseri Belirtileri Nelerdir, Https://Www.Ateskarateke.Com/Meme-Kanseri-Belirtileri-Nelerdir. last accessed 2018/1/10

9. Türkiye Meme Vakfı, Http://Www.Memekanseri.Org.Tr/Meme-Sagligi/Meme-Kanseri-Belirtileri/, last accessed 2018/1/11
10. Alkan, M. A.: Makine Öğrenimi Nedir?, https://www.endustri40.com/makine-ogrenimi-nedir/ , last accessed 2018/1/12
11. Makine Öğrenimine Giriş, https://www.hpe.com/tr/tr/compute/hpc/deep-learning.html?jumpid=ps, last accessed 2018/1/15
12. Ericson, G.: Microsoft Azure Machine Learning Studio Için Machinelearning Algoritması Kopya Sayfası, Microsoft, Docs.Microsoft.Com/Tr-Tr/Azure/Machine-Learning/Studio/Algorithm-Cheat-Sheet, last accessed 2018/1/18
13. Kartal, E.: Sınıflandırmaya Dayalı Makine Öğrenmesi Teknikleri Ve Kardiyolojik Risk Değerlendirmesine Ilişkin Bir Uygulama, Thesis, Istanbul University-Cerrahpaşa, Enformatic department, June 2015
14. Sahami, M.: Learning Limited Dependence Bayesian Classifiers. In: KDD'96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, (1996)
15. W. Dai Et Al. Transfering Naive Bayes Classifiers For Text Classification. In: Proceedings Of Thenational Conference On Artificialintelligence. London; Aaai Press; Mit Press;1999.
16. Breast care center, https://www.toplinemd.com/breast-care-center-of-miami/blog/extensive-lymph-node-removal-benefits/ , last accessed 2018/1/15
17. Muzıo, D., Jones, B.: Fat Necrosis(Breast), Https://Radiopaedia.Org/Articles/Fat-Necrosis-Breast-2, last accessed 2018/1/15