AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ

Abstract

Türkiye’de bir yılda tespit edilen kanser vakalarının büyük çoğunluğu olan akciğer kanseri toplam vaka sayısının yaklaşık %20’sini oluşturmaktadır. En çok ölüm oranını oluşturan akciğer kanseri günümüzde Türkiye ve dünya için önemli bir sağlık sorunu durumundadır. Bu sorunun en önemli kaynağı erken tanısında tedavisi çok daha mümkün olan birçok vakanın erken teşhis edilememesidir.
Bu çalışmada Bilgisayarlı Tomografi (BT) görüntüleri kullanılarak tümörlerin ve nodüllerin tespit edilmesi, görüntülerden çıkarılan özelliklerin farklı sınıflandırma algoritmaları ile sınıflandırılması amaçlanmıştır.
Kullanılan görüntüler DICOM formatında olup RIDER-Lung CT veri setine ait 26 görüntü üzerinde çalışılmıştır. Tümör bölgesi farklı akciğer segmentasyon yöntemleri kullanılarak elde edilmiş, tümöre ait pek çok özellik hesaplanmıştır. Hesaplanan özelliklerden istatistiksel olarak anlamlı (p<0,05) olanları sınıflandırma için kullanılmıştır. Anlamlı özellikler Karar ağaçları (Decision Trees) algoritmaları, Destek Vektörü Makinesi (SVM), Yakın Komşuluk Sınıflandırması (KNN) sınıflandırıcı algoritmaları ve Diskriminant analizi ile sınıflandırılarak sonuçlar karşılaştırılmıştır. Bu algoritmaların doğruluk oranları karar ağaçları %97, SVM %96,6, KNN %93,6, Diskriminant analizi %97 olarak sonuç vermiştir. Yöntemler hassasiyet ve duyarlılık olarak karşılaştırıldığında ise her iki nicelik Kuadratik SVM ve Diskriminat analizinde % 95 üstüdür. Bu karşılaştırmalar sonucunda yöntemlerin yüksek başarı oranları ile umut verici olarak gelecek çalışmalarda kullanılabileceği görülmüştür.

Keywords

• Akciğer kanseri
• Akciğer segmentasyonu
• görüntü işleme
• makinalı öğrenme

DETERMINATION OF TUMORS BY IMAGE PROCESSING APPLICATIONS IN LUNG COMPUTERIZED TOMOGRAPHY IMAGES

Abstract

Lung cancer, which is the majority of cancer cases detected in a year in Turkey, constitutes approximately 20% of the total number of cases. Lung cancer, which constitutes the highest mortality rate, is an important health problem for Turkey and the world today. The most important source of this problem is that many cases that are much more possible to treat in early diagnosis cannot be diagnosed early. In this study, it is aimed to detect tumors and nodules using Computed Tomography (CT) images, and to classify features extracted from images with different classification algorithms. The images used are in DICOM format and 26 images of the RIDER-Lung CT data set were studied. The tumor region was obtained using different lung segmentation methods, and many features of the tumor were calculated. Statistically significant (p<0.05) calculated features were used for classification. Significant features were classified by Decision Trees algorithms, Support Vector Machine (SVM), Close Neighborhood Classification (KNN) classifier algorithms and Discriminant Analysis and the results were compared. The accuracy rates of these algorithms were 97% for decision trees, 96.6% for SVM, 93.6% for KNN, and 97% for Discriminant analysis. When the methods are compared in terms of sensitivity and sensitivity, both quantities are above 95% in Quadratic SVM and Discriminate analysis. As a result of these comparisons, it has been seen that the methods can be used in future studies with high success rates.

Keywords

• Lung cancer
• lung segmentation
• image processing
• machine learning

References

1. 1. Adams, T., Dörpinghaus, J., Jacobs, M., Steinhage, V., (2018) Automated lung tumor detection and diagnosis in ct scans using texture feature analysis and svm. Communication Papers of the 2018 Federated Conference on Computer Science and Information Systems, POZNAN, 17, 13–20. doi: 10.15439/2018F176
2. 2. Aniketbombale ,C.G.Patil , (2017) Segmentation of Lung Nodule in CT Data Using K-Mean Clustering, International Journal of Electrical, Electronics and Data Communication (IJEEDC), 5(2), 36-39. doi: IJEEDC-IRAJ-DOIONLINE-6985
3. 3. Vadakkenveettil, B. S., Unnikrishnan, A., Balakrishnan, K., (2012) Grey Level Co-Occurrence Matrices: Generalisation And Some New Features. International Journal of Computer Science, Engineering and Information Technology (IJCSEIT), 2(2), 151-157. doi: 10.5121/ijcseit.2012.2213
4. 4. Clark, K., Vendt, B., Smith, K., Freymann, J., Kirby, J., Koppel, P., Moore, S., Phillips, S., Maffitt, D., Pringle, M., Tarbox, L., & Prior, F. (2013) The Cancer Imaging Archive (TCIA): maintaining and operating a public information repository. Journal of Digital Imaging, 26(6), 1045–1057. doi:10.1007/s10278-013-9622-7
5. 5. Elsayed, O., Mahar, K.M., Kholief, M., Khater, H., (2015) Automatic detection of the pulmonary nodules from CT images, 2015 SAI Intelligent Systems Conference (IntelliSys), London, UK, 742-746. doi:10.1109/IntelliSys.2015.7361223
6. 6. Eset, K., İçer, S., Karaçavuş, S., Yılmaz, B., Kayaaltı, Ö., Ayyıldız, O., Kaya, E., (2015) Comparison of lung tumor segmentation methods on pet images. TıpTekno-15, Bodrum, Turkey. 77-80. doi: 10.1109/TIPTEKNO.2015.7374569
7. 7. Guo, G., Wang, H., Bell, D.A., Bi, Y., Greer K.,(2003) KNN Model-Based Approach in Classification, Lecture Notes in Computer Science, 2888:986-996. doi:10.1007/978-3-540-39964-3_62
8. 8. Bittencourt, H. R. and Clarke, R. T., (2003) Use of classification and regression trees (CART) to classify remotely-sensed digital images, IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings, 6, 3751-3753. doi: 10.1109/IGARSS.2003.1295258.

9. 9. Raif, M., Ismail, N., Nor Azah M. A., Mohd H. F. R., & Tajuddin, S. N., Taib, M. N., (2020) Quadratic tuned kernel parameter in Non-linear support vector machine (SVM) for agarwood oil compounds quality classification. Indonesian Journal of Electrical Engineering and Computer Science. 17(3), 1371-76. doi: 10.11591/ijeecs.v17.i3.pp1371-1376.
10. 10. Porwik, P., Lisowska A., (2004) The Haar-Wavelet Transform in Digital Image Processing: Its Status And Achievements, Machine Graphics & Vision, 13(1-2),79-98
11. 11. Haralick, R.M., Shanmugam, K., Dinstein, I.,(1973) Textural Features for Image Classification, IEEE Transactions On Systems Man And Cybernetics. SMC-3 (6), 610-621.
12. 12. Tharwat, A. (2016). Linear vs. Quadratic Discriminant Analysis Classifier: A Tutorial, International Journal of Applied Pattern Recognition , 3(2)2, 145–180. doi: 10.1504/IJAPR.2016.079050
13. 13. Widodo, S., Rohmah, N.R., Handaga, B., (2017) Classification of lung nodules and arteries in computed tomography scan image using principle component analysis, 2017 2nd International Conferences on Information Technology, Information Systems and Electical Engineering, Yogyakarta. 153-158. doi:10.1109/ICITISEE.2017.8285485
14. 14. Widodo, S., Rosyid, I., Faizuddin, M., Roslan, R.B., (2020) Improved accuracy in detection of lung cancer using self organizing map, Journal of Critical Reviews 2020, 7(14), 685-689. doi:10.31838/jcr.07.14.121
15. 15. Zhao, Binsheng, Schwartz, Lawrence Kris, Mark (2015). Data From RIDER_Lung CT. The Cancer Imaging Archive. doi: 10.7937/K9/TCIA.2015.U1X8A5NR
16. 16. Zhao, B., James, L. P., Moskowitz, C. S., Guo, P., Ginsberg, M. S., Lefkowitz, R. A., Qin, Y., Riely, G. J., Kris, M. G., & Schwartz, L. H. (2009). Evaluating variability in tumor measurements from same-day repeat CT scans of patients with non-small cell lung cancer. Radiology, 252(1), 263–272. https://doi.org/10.1148/radiol.2522081593