Araştırma Makalesi
BibTex RIS Kaynak Göster

AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ

Yıl 2022, , 135 - 150, 30.04.2022
https://doi.org/10.17482/uumfd.947619

Öz

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.

Kaynakça

  • 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Zhao, Binsheng, Schwartz, Lawrence Kris, Mark (2015). Data From RIDER_Lung CT. The Cancer Imaging Archive. doi: 10.7937/K9/TCIA.2015.U1X8A5NR
  • 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

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

Yıl 2022, , 135 - 150, 30.04.2022
https://doi.org/10.17482/uumfd.947619

Öz

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.

Kaynakça

  • 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Zhao, Binsheng, Schwartz, Lawrence Kris, Mark (2015). Data From RIDER_Lung CT. The Cancer Imaging Archive. doi: 10.7937/K9/TCIA.2015.U1X8A5NR
  • 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
Toplam 16 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Yapay Zeka
Bölüm Araştırma Makaleleri
Yazarlar

Berat Özdet 0000-0001-6349-6654

Semra İçer 0000-0002-3323-9953

Yayımlanma Tarihi 30 Nisan 2022
Gönderilme Tarihi 3 Haziran 2021
Kabul Tarihi 23 Şubat 2022
Yayımlandığı Sayı Yıl 2022

Kaynak Göster

APA Özdet, B., & İçer, S. (2022). AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 27(1), 135-150. https://doi.org/10.17482/uumfd.947619
AMA Özdet B, İçer S. AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ. UUJFE. Nisan 2022;27(1):135-150. doi:10.17482/uumfd.947619
Chicago Özdet, Berat, ve Semra İçer. “AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 27, sy. 1 (Nisan 2022): 135-50. https://doi.org/10.17482/uumfd.947619.
EndNote Özdet B, İçer S (01 Nisan 2022) AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 27 1 135–150.
IEEE B. Özdet ve S. İçer, “AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ”, UUJFE, c. 27, sy. 1, ss. 135–150, 2022, doi: 10.17482/uumfd.947619.
ISNAD Özdet, Berat - İçer, Semra. “AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 27/1 (Nisan 2022), 135-150. https://doi.org/10.17482/uumfd.947619.
JAMA Özdet B, İçer S. AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ. UUJFE. 2022;27:135–150.
MLA Özdet, Berat ve Semra İçer. “AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, c. 27, sy. 1, 2022, ss. 135-50, doi:10.17482/uumfd.947619.
Vancouver Özdet B, İçer S. AKCİĞER BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDE GÖRÜNTÜ İŞLEME UYGULAMALARI İLE TÜMÖRLERİNİN TESPİT EDİLMESİ. UUJFE. 2022;27(1):135-50.

DUYURU:

30.03.2021- Nisan 2021 (26/1) sayımızdan itibaren TR-Dizin yeni kuralları gereği, dergimizde basılacak makalelerde, ilk gönderim aşamasında Telif Hakkı Formu yanısıra, Çıkar Çatışması Bildirim Formu ve Yazar Katkısı Bildirim Formu da tüm yazarlarca imzalanarak gönderilmelidir. Yayınlanacak makalelerde de makale metni içinde "Çıkar Çatışması" ve "Yazar Katkısı" bölümleri yer alacaktır. İlk gönderim aşamasında doldurulması gereken yeni formlara "Yazım Kuralları" ve "Makale Gönderim Süreci" sayfalarımızdan ulaşılabilir. (Değerlendirme süreci bu tarihten önce tamamlanıp basımı bekleyen makalelerin yanısıra değerlendirme süreci devam eden makaleler için, yazarlar tarafından ilgili formlar doldurularak sisteme yüklenmelidir).  Makale şablonları da, bu değişiklik doğrultusunda güncellenmiştir. Tüm yazarlarımıza önemle duyurulur.

Bursa Uludağ Üniversitesi, Mühendislik Fakültesi Dekanlığı, Görükle Kampüsü, Nilüfer, 16059 Bursa. Tel: (224) 294 1907, Faks: (224) 294 1903, e-posta: mmfd@uludag.edu.tr