Abstract:
Bu tez kapsamında, içerik tabanlı görüntü gerigetirimi yaklaşımını veri tabanı sistemleri ile bütünleştirmek amacıyla yeni bir yöntem önerdik ve yöntemimizin başarımını ölçmek amacıyla bir mamografi gerigetirim sistemi geliştirdik. İlk olarak, 17'si literatürde mevcut, geri kalanı da meme kitlelerinin sınırını tanımlamak için önerdiğimiz, toplam 26 adet düşük seviyeli öznitelikleri inceledik. Ayrıca, meme kitlelerinin doğru sınırlarını bulmak için meme kitle sınır bölütlemesi adında yeni bir bölütleme algoritması önerdik. Mevcut mamografi veri kümelerini önerdiğimiz yaklaşımı sınamak için inceledik ve mevcut veri kümelerinin yetersiz betimleme seviyeleri sebebiyle yeni bir mamografi veri kümesi geliştirdik. Veri kümesinin geliştirilmesi sırasında, ontoloji tabanlı yeni bir betimleme aracı geliştirdik. Daha sonra, meme kitleleri için en iyi düşük seviyeli öznitelikleri, makine öğrenmesi yöntemlerini ve bölge seçim yöntemini belirlemek için iki farklı veri kümesi üzerinde bir dizi deneyler gerçekleştirdik. Son olarak, bütünleştirme yaklaşımımızı, seçilen düşük seviyeli öznitelikleri kullanarak PostgreSQL veri tabanı yönetim sistemi üzerinde gerçekleştirdik ve gerigetirim başarımını ölçtük. Deneylerden elde ettiğimiz sonuçlar, yaklaşımımız içerik tabanlı görüntü gerigetirimi ve veri tabanı yönetim sistemlerini birleştirilmesini başarı ile kullanıldığını gösterdi ve örnek bir çalışma olarak mamografi gerigetirim sistemi üzerine başarıyla uygulandı. In this thesis, we proposed a new integration method for content-based image retrieval and database systems, and developed a case study on mammography retrieval to measure performance of our approach. Initially, we investigated 26 low level features in total, 17 of them exist in the literature and rest of them is our proposal for mass contour description. Additionally, we proposed a new breast mass segmentation method called Breast Mass Contour Segmentation to determine accurate breast mass contours. Next, we reviewed available mammogram datasets to evaluate our proposal, and we also developed a new mammogram dataset due to insufficient annotation level of available datasets. During development of this dataset, we developed a new ontology based annotation tool. Then, we performed series of experimentations on two different mammogram datasets to identify the best low level features, machine learning and region selection methods for breast masses. Finally, we implemented our integration approach on PostgreSQL database management system using selected low-level features and evaluate the retrieval performance. Experimentation results showed that our integration approach of content-based image retrieval and Database Management Systems worked well and successfully applied to mammography mass retrieval system as case study.
