Radyoloji uzmanlarının mamografi görüntülerine bakarak yaptığı meme kanseri teşhislerinde tip bir hata oranı yüzde otuzlara kadar çıkmaktadır. Kanserin teşhis başarısını artırmak adına bu çalışmada uzmanlara yardımcı olacak yeni bir Bilgisayar Yardımlı Teşhis sistemi, kanserli ve normal dokuyu ayırt etmek için önerilmektedir. Önerilen sistemde kontrast limitli histogram eşitleme (CLAHE) yöntemiyle iyileştirilen görüntülerin iki boyutlu parçacık dönüşümlerinden (2B–DWT) Haralick ve HOG öznitelikleri çıkarılmıştır. Özniteliklerin sayısını azaltması için temel bileşenler analizi (PCA) algoritması kullanılmıştır. Seçilen öznitelikler çok katmanlı algılayıcı (MLP) mimari yapısına sahip yapay sinir ağına (YSA) girdi olarak verilmiştir. Çok katmanlı algılayıcı üzerinde Adam eniyileme yapıldığında %81 tespit doğruluğu yakalanmıştır. Ayrıca, diğer bir çok temel makine öğrenmesi ve derin öğrenme yöntemleri denenerek karşılaştırma sonuçları detaylı olarak sunulmuştur. Sınırlı sayıda veri kümesi kullanıldığında transfer öğrenim kullanılsa dahi derin öğrenme yöntemlerinin tespit başarısı azalmıştır. Buna karşılık doğru ön işleme, öznitelik seçilimi ve makine öğrenmesi yaklaşımları kullanıldığı zaman geleneksel 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.