Beyin Tümörlerinin Görüntü İşleme Teknikleri
Kullanılarak Bilgisayar Destekli Tespiti
Computer-Aided Detection Of Brain Tumors Using
Image Processing Techniques
Seda Kazdal Buket Doğan
Bilgisayar Mühendisliği Bölümü Bilgisayar Mühendisliği Bölümü
Üsküdar Üniversitesi Marmara Üniversitesi
İstanbul, Türkiye İstanbul, Türkiye
seda.kazdal@uskudar.edu.tr buketb@marmara.edu.tr
Özetçe —Günümüz teknolojisinde bilgisayar destekli tespit
uygulamaları tıp alanına büyük katkılar sağlamayı başarmıştır.
Bu çalışmada, beyin manyetik rezonans görüntülerindeki tümör-
lerin tespiti gerçekleştirilmiştir. Çalışma, morfolojik yapılandır-
maya ve ilgi alanlarının morfolojik özelliklerinin kullanıldığı
kural tabanlı tespit tekniğine dayalı bir bilgisayar destekli
tespit sistemi önermektedir. Çalışmada izlenen basamaklar şu
şekildedir: ön işleme aşaması, bölütleme aşaması, ilgi alanlarının
belirlenmesi aşaması ve tümörlerin tespit edilmesi aşaması. 10
hastaya ait 497 adet manyetik rezonans görüntü kesiti üzerinde
uygulanan bu yöntemler ile bilgisayar destekli tespit sisteminin
elde ettiği doğruluk %84,26 olarak bulunmuştur.
Anahtar Kelimeler—BDT sistemi, morfolojik yapılandırma,
medikal görüntü işleme .
Abstract—Computer-aided detection applications has man-
aged to make significant contributions to medical world in
today’s technology. In this study, the detection of brain tumors in
magnetic resonance images was performed. This study proposes
a computer aided detection system that is based on morpho-
logical reconstruction and rule based detection of tumors that
using the morphological features of the regions of interest. The
steps involved in this study are: the pre-processing stage, the
segmentation stage, the stage of identification of the region of
interest and the stage of detection of tumors. With these methods
applied on 497 magnetic resonance image slices of 10 patients, the
performance of the computer aided detection system is achieved
84,26% accuracy.
Keywords—CAD system, morphological reconstruction, medical
image processing.
I. G İR İ Ş
Bilgisayar Destekli Tespit (BDT), bilgisayar bilimleri ile tıp
disiplinleri arasında ortak çalışma yapan ve medikal görüntü-
lerin bilgisayar tarafından otomatik olarak işlenmesini sağlayan
bir bilim dalıdır [1]. Bu yazılımlar radyoloji uzmanlarına hem
zaman kazandırır, hem de karar verme aşamasında yapma
ihtimalleri olan hataları en aza indirir [2]. Bu çalışmada da
beyin MR görüntülerinde tümör tespiti için, hızlı ve daha
978-1-4799-4874-1/14/$31.00 c 2015 IEEE
Ali Yılmaz Çamurcu
Bilgisayar Mühendisliği Bölümü
Fatih Sultan Mehmet Vakıf Üniversitesi
İstanbul, Türkiye
ycamurcu@fsm.edu.tr
doğru bir bilgisayar destekli tespit mekanizması geliştirilmiştir.
Tümörlü bölgelerin piksel değeri olarak belirgin olmaması,
farklı morfolojik yapı ve boyutta tümörlerin bulunması gibi
nedenler otomatik tümör tespitini zorlaştırmaktadır [3]. Tümör
tespiti için farklı yöntemler geliştirilmektedir. Bu amaçla;
yapay sinir ağları [4], maskeleme [2], gri seviyeli eşikleme
[5], bulanık mantık [6], kural tabanlı yaklaşımlar [7] ve
kümeleme yöntemleri [8] kullanılan yöntemlerden birkaçıdır.
Bu yöntemlerde piksel değerleri üzerinden çıkarılan özellikler
çoğu durumda yetersiz kaldığından yapısal nicelikler gibi farklı
özellikler de etkili olmaktadır [9]. Bu çalışmanın amacı da
beyin MR görüntülerine ileri görüntü işleme tekniklerini ve
örüntü tanıma yöntemlerini uygulayıp tümörlü bölgenin yerini
en kısa sürede ve doğru olarak tespit edilmesini sağlayacak
bilgisayar destekli tespit sistemini oluşturmaktadır.
II. B İLG İSAYAR DESTEKL İ TESP İT S İSTEM İ
Bilgisayar destekli tespit sistemi medikal görüntülerdeki
karmaşık ilişkileri analiz ederek bu ilişkilerden görüntüye ait
yapılar hakkında karar mekanizması geliştirebilen bilgisayar
algoritmasıdır [10]. Genellikle bir BDT sistemi belirli bir
hastalığı öğrenme ve algılama için tasarlanmış ve optimize
edilmiştir [7].
Çalışma kapsamında beyin MR görüntülerindeki tümörlerin
tespit çalışmaları Şekil 1’de görülen BDT basamakları dikkate
alınarak gerçekleştirilmiştir.
Şekil 1: Genel BDT Basamakları
Ön işleme aşamasıyla genellikle tıbbi görüntü üz-
erindeki bozuklukların giderilmesi ve görüntünün iyileştir-
ilmesi amaçlanmaktadır [11]. Bölütleme aşaması, anormallik
arama alanını daraltarak BDT’nin hızını arttırmaktadır [12].
İlgi alanlarının belirlenmesi işlemindeki amaç; anormal olmaya
aday yapıların ortaya çıkarılması ve arama işleminin bu yapılar
üzerinde gerçekleştirilerek sonucun en kısa sürede elde edilme-
sidir [13][14]. İlgi alanlarının sınıflandırılması ve tümörlerin
tespiti işleminin gerçekleştirilmesi amacıyla; kural tabanlı yak-
laşımlar, şablon eşleme, en yakın komşu kümelemesi, yapay
sinir ağları ve Bayes sınıflandırıcı kullanılan yöntemlerden
birkaçıdır [15].
III. MATERYAL VE YÖNTEM
BDT sisteminin geliştirilmesi ve değerlendirilmesi için
REMBRANDT [16] veri seti kullanılmıştır. REMBRANDT
veri seti National Cancer Institute tarafından paylaşılan The
Cancer Imaging Archive (TCIA) veri tabanına ait bir veri
setidir. TCIA medikal görüntüler içeren erişilebilir geniş bir
arşivdir. Tüm görüntüler DICOM dosya formatındadır. REM-
BRANDT veri setine ait tüm görüntüler 256 X 256 piksel
çözünürlüğünde ve 16 bit gri seviyede dijital hale getirilmiştir.
Her bir kesit 5 mm kalınlığındadır. Bu veri setinde 33 adet
hastanın görüntüleri bulunmaktadır. Her hastaya ait aksiyal,
sagital ve koronal düzlemlerde ayrı ayrı olamak üzere ortalama
20 adet MR kesit görüntüsü bulunmaktadır. Bu çalışmada
REMBRANDT verisetindeki 10 hastaya ait aksiyal, koronal ve
sagital düzlemlerde olmak üzere toplam 497 adet beyin kesiti
kullanılmıştır.
Çalışma kapsamında beyin MR görüntülerinin işlenmesi ve
tümörlerin tespitinde izlenen basamaklar ve kullanılan yöntem-
ler Şekil 2’de şema olarak gösterilmektedir.
Şekil 2: BDT çalışmasında izlenen basamak ve kullanılan
yöntemler
A. Ön işleme
Ön işleme aşamasında beyin MR görüntüleri, belirgin ve
anlaşılır hale getirilmeye çalışılmıştır. Özellikle de var olan
gürültünün yok edilmesi amacıyla medyan filtre kullanılmıştır.
Ayrıca histogram eşitlemesi yapılmasındaki amaç, yoğunluk
değerlerinin minimum ve maksimum değerler arasına düzgün
bir şekilde dağıtılmasıyla görüntünün kendi içinde homojen
bir yoğunluk dağılımına sahip olmasını sağladıktan sonra bu
görüntülerin analiz edilerek yoğunluk eşiklemesi için gereke-
cek eşik değerinin daha basit ve doğru bir şekilde seçilmesinin
sağlanabilmesidir.
B. Bölütleme
İlgi alanlarının diğer yapılardan ayrılması için ilgi alan-
larını oluşturan pikseller kümesinin, birbirine komşu olan
ve uygun yoğunluktaki piksellerden oluşması gerekir [17].
Yoğunluk tabanlı eşiklemede, nesne ve arka plan farklı gri
seviyeli iki değişik gruba ayrılır [18]. Eşikleme böylece bir
giriş görüntüsünün bölütlenmiş çıkış görüntüsüne dönüşümü
işlemidir. Veri seti incelendiğinde tümör yapılarının yoğun-
luk miktarlarının belirli değerler arasında olduğu görülmüştür.
Tümör olmaya uygun yoğunluktaki yapıların belirlenmesi için
yoğunluk sınırını belirten bir adet eşik değeri kullanılmıştır.
Bu değer “minimum yoğunluk eşiği” değeridir.
C. İlgi alanlarının belirlenmesi
Tümör yapısının tespit edilmesi aşamasında normal
yapıların da sorgulanması performans kaybına sebep olan
gereksiz bir işlemdir [19]. İlgi alanlarının belirlenmesinde kul-
lanılan yöntemler ile karmaşıklık yaratan yapılar çıkartılarak
sadece tümör olmaya aday yapılar (kemik dokusu ve yumuşak
doku gibi) elde edilmiştir. Böylece tümör sadece bu ilgi alanları
içinde aranmakta ve sistemin performansı arttırılmaktadır [20].
Morfolojik yapılandırma : Morfolojik yapılandırma
işlemi uygulanmadan tümör adayı yapılarda oluşan eksiklik-
lerin giderilmesi ya da bozuklukların onarılması için morfolo-
jik kapama(closing) işlemi ve boşlukların doldurulması işlemi
art arda uygulanmıştır. Kapama işlemi, aynı yapı elemanı ile
yayma işleminin ardından uygulanan aşındırma işlemi olarak
tanımlanır [21].
Morfolojik yapılandırma kavramsal olarak bir görüntüye
ait nesnelerin küçük parçalarını içeren başka bir görün-
tünün(işaretleyici görüntü) asıl görüntüdeki(maske görüntü)
büyük parçalara denk gelinceye kadar tekrarlanan yayma
işlemi olarak düşünülebilir [21].
Şekil 3: Morfolojik yapılandırma (a)Orijinal görüntü(maske)
(b)İşaretleyici görüntü (c)-(e)Yapılandırma aşamaları (f)Sonuç
görüntü [21]
Kullanılacak işaretleyici görüntülerin oluşturulabilmesi için
öncelikle görüntüler belirli bir derecede aşındırma işle-
minden geçirilmiştir. Bu işlem için kullanılacak yapısal el-
eman tümör yapılarını koruyacak özellikte seçilmiştir. Daha
sonra aşındırma işleminden geçirilmiş görüntüler işaretleyici
görüntü, bölütleme aşamasından elde edilen asıl görüntüler de
maske görüntüsü olarak kullanılılmıştır. Aşındırma işlemiyle
ilgi alanı dışındaki küçük ve karmaşık yapılar yok edilirken,
ilgi alanı olabilecek yapıların belirli parçaları morfolojik yapı-
landırma ile tamamlanmıştır.
D. Tümör tespiti
İlgi alanlarının etiketlenmesi: İlgi alanlarının etiketlen-
mesi için Bağlantılı Bileşen Etiketleme(BBE) yöntemi kul-
lanılmıştır [22]. Böylece tüm ilgi alanlarının tek tek ele alınıp
incelenebilmesi sağlanmıştır. BBE’de amaç bir görüntüdeki
birbirinden bağımsız yapıların etiketlenmesi ve bu şekilleri
oluşturan piksellerin koordinatlarının kayıt altına alınmasıdır
[23].
Nesne merkezi tabanlı 8 yönlü tarama: Nesne merkezi
tabanlı 8 yönlü tarama işleminde ilgi alanlarının ayrı birer yapı
olarak incelenebilmesi için BBE yöntemi ile elde edilen etiket
matrisi kullanılmıştır. Beyin MR görüntüleri incelendiğinde
tümör yapılarının diğer yapılara göre daha belirli bir çapa
sahip oldukları görülmüştür. Bu açıdan bir nesne merkezi
tabanlı 8 yönlü tarama yöntemi geliştirilmiştir. Etiketlenen
her bir yapının merkez koordinatı temel alınarak 8 yöndeki
uzunlukları inceleme altına alınmıştır. Bu yönteme göre mini-
mum ve maksimum eşik uzunlukları belirlenerek 8 yöndeki
herhangi bir uzunluğun bu eşiklerden küçük ya da büyük
olması durumunda ilgili yapının tümör adayı olamayacağı
kararı verilmiştir [24].
Kural tabanlı tespit: İlgi alanları incelendiğinde tümör-
lerin daha kalın ve dairesel, diğer yapıların ise daha ince uzun
ve girintili çıkıntılı olduğu görülmüştür. Buna göre tümörleri
normal yapılardan ayırmak amacıyla ilgi alanlarının şekilleri
incelenmiştir. İlgi alanlarının şekillerinin incelenmesi iki kural
kullanılarak gerçekleştirilmiştir:
Öklid uzunluğu kuralı: Bir yapının öklid uzunluğu “öklid
uzunluk eşiği” değerinden büyükse, söz konusu yapı gerçek bir
kitle olamaz. Öklid uzunluk denklemi (1) ile verilmiştir [25].
G = xcmax − xcmin (5)
S ile belirtilen yapının en küçük kalınlığını bulmak için
yüksekliğin ve genişliğin küçük olanı seçilir [25]:
S = min(Y, G) (6)
Ve son olarak R ile gösterilen incelenen yapının biçimi (7)
ile hesaplanır [25]:
Ed
R= (7)
S
Görüntüdeki tüm ilgi alanları için biçim değeri hesapla-
ması yapılmış ve sonuçta tümör yapılarının biçim değerlerinin
belirli değerler arasında değiştiği görülmüştür. Tümör ola-
mayacak yapıların ise biçim değerlerinin daha büyük olduğu
görülmüştür. Bu durumda biçim kuralı açısından bir “biçim
eşiği” değeri belirlenmiştir. Bir ilgi alanı yapısı için her iki
kural da geçerli ise yani, öklid uzunluğu “öklid uzunluk
eşiği” değerinden büyük ve biçim miktarı da “biçim eşiği”
değerinden büyük ise söz konusu yapı tümör olamaz. Bu yapı
ilgi alanı görüntüsünden çıkartılır.
Şekil 4’te bir hastanın bir yandan diğerine doğru uzanan
(koronal) kesitine sırasıyla uygulanan işlemlerin sonucunda
elde edilen görüntüler verilmiştir.

p
Ed = (xmax − xmin )2 + (ymax − ymin )2 (1)

“Öklid uzunluk eşiği” uzman yardımıyla tüm tümör

yapıları incelenerek belirlenmiştir. İnceleme sonucu öklid
uzunluğu eşik değeri, biçim değeri ile birlikte sorgulanacağı
düşünülerek hem oldukça küçük ilgi alanlarına karşı duyarlılık
açısından hemde oldukça büyük alanlarının biçim değerinin
de sorgulanması açısından toleranslı bir değer olarak belirlen-
miştir.
Kalınlık ve Biçim Kuralı: Bir yapının öklid uzunluğunun
kalınlığına oranı “biçim eşiği” değerinden büyükse, söz konusu
yapı gerçek bir tümör olamaz. Bir yapının kalınlığını bulmak
için öncelikle merkez koordinatlarının bulunması gerekir [25].
Merkez koordinatları xc ve yc (2) ve (3) ile hesaplanır.
Şekil 4: (a)Orijinal görüntü (b)Filtreleme (c)Histogram
eşitlemesi (d)Yoğunlık tabanlı eşikleme(maske) (e)Aşındırma
xmax − xmin işlemi(işaretleyici) (f) Morfolojik yapılandırma (g)BBE
xc = xmin + (2)
2 (h)Nesne merkezi tabanlı 8 yönlü tarama (i,j,k)Kural tabanlı
tespit (l)Tümörün işaretlenmesi
ymax − ymin
yc = ymin + (3)
2 IV. BULGULAR
Ardından ycmin ( xc’ye karşılık minimum y noktası), Kullanılan 497 adet MR kesitinden 170 tanesi tümör
ycmax (xc’ye karşılık maksimum y noktası), xcmin ( yc’ye içerirken, 327 adet kesitte tümör bulunmamaktadır. Bölütlenen
karşılık minimum x noktası) ve xcmax ( yc’ye karşılık mak- kesitlerin morfolojik yapılandırılması ile 866 adet ilgi alanı
simum x noktası) koordinatları bulunur [25]. Bu değerler belirlenmiştir. Kural tabanlı sınıflandırma sonucunda uzman
kullanılarak yükseklik (Y) ve genişlik (G) değerleri denklem yardımı ile BDT sisteminin test sonuçları elde edilmiştir.
(4) ve (5) ile hesaplanır. Bir hastada tespit edilen aynı tümörün en iyi sonuç alınan
tek bir düzlemdeki kesiti üzerinden hesaplanan performans
değerlendirme ölçütlerinin sonuçları Tablo I’de görülmektedir.
Y = ycmax − ycmin (4)
 Gerçek Bulgu
Pozitif Negatif
Pozitif 96 adet doğru pozi- 13 adet yanlış pozi-
BDT Tahmini
tif tif
Negatif 74 adet yanlış 314 doğru negatif
negatif
Duyarlılık(D) 68,57%
Seçicilik(S) 94,44%
Pozitif Tahmin 88,88%
Değeri(Ptd)
Negatif Tahmin 82,25%
Değeri(Ntd)
Doğruluk(Dk) 84,26%
Tablo I: Tümör tespiti çalışmasının sonuçları
V. SONUÇLAR
Bu çalışmada tasarlanan BDT yazılımı sayesinde beyin MR
görüntülerindeki tümörlerin otomatik tespit edilmesi sağlan-
mıştır. Tümör tespiti için piksel değerleri üzerinden çıkarılan
özellikler çoğu durumda yetersiz kaldığından yapısal nicelik-
ler gibi farklı özellikler de etkili olabilmektedir. Bu açıdan
da tümörlü bölgeyi en iyi ayıracak özelliklerin bulunması
önem arz etmektedir. Morfolojik yapılandırma aşamasındaki en
önemli nokta da; öncelikle verinin iyi analiz edilmesi ve veriyi
ayrıştıracak en uygun özelliklerin belirlenmesi gerekliliğidir.
Kural tabanlı tespit ile elde edilen en önemli husus ise;
performansı esas etkileyen öğenin kural tabanını oluşturacak
gerekli özellik ve parametrelerin kestirilmesindeki başarım
olduğudur. Hangi parametrelerin kullanıldığı ve bu parame-
treler için bulunan değerler burada önem kazanmaktadır. Karar
verme işleminde en temel sorunlardan bir tanesi de, geliştirilen
sistemin test edilebilmesi için etiketli verinin olmamasıdır.
Geliştirilmiş olan BDT sisteminin duyarlılığının arttırılması
için ilgi alanı olarak tespit edilen yapıların daha farklı mor-
folojik özelliklerinin de analiz edilerek bu özelliklerin kural
tabanlı tespit sisteminde ek kurallar olarak sorgulanabileceği
görülmüştür. İlerleyen çalışmalarda kullanılan yönteme ek
olarak her bir yönden alınan MR kesitlerinin 3 boyutlu olarak
değerlendirilmesi ile tümörlerin 3 boyutlu tespiti yöntemi
geliştirilebilir.
K AYNAKÇA
[1] Nagashima, H., Harakawa, T., (2011). Computer-Aided Diagnostic
(CAD) Scheme by Use of Contralateral Subtraction Technique. Appli-
cation to Detection of Acute Cerebral Infarctions in Brain Computed
Tomography (CT). Electronics and Communications in Japan, Vol. 94,
No. 2.
[2] Akram, U.M., Usman, A., (2011). Computer Aided System for Brain
Tumor Detection and Segmentation. 2011 International Conference on
Computer Networks and Information Technology (ICCNIT), 11-13 July,
299-302.
[3] Viji, K.S., Jayakumari, J., (2011). Automatic Detection of Brain Tumor
based on Magnetic Resonance Image using CAD System with watershed
segmentation. Proceedings of 2011 International Conference on Signal
Processing, Communication, Computing and Networking Technologies
(ICSCCN).
[4] Logeswari, T., Karnan, M., (2010). An Enhanced Implementation of
Brain Tumor Detection Using Segmentation Based on Soft Computing.
2010 International Conference on Signal Acquisition and Processing,
icsap, pp.243-247.
[5] Rulaningtyas, R., Ain, K., (2009). Edge Detection for Brain Tumor Pat-
tern Recognition. Instrumentation, Communications, Information Tech-
nology, and Biomedical Engineering (ICICI-BME), 2009 International
Conference on, 23-25 Nov., 1 - 3
[6] Khotanlou, H., Colliot, O., Atif, J., Bloch, I., (2009). 3D brain tumor
segmentation in MRI using fuzzy classification, symmetry analysis
and spatially constrained deformable models. Fuzzy Sets and Systems
160(2009), 1457-1473.
[7] Chan, T., (2009). Computer aided detection of small acute intracranial
hemorrhage on computer tomography of brain. Computerized Medical
Imaging and Graphics, 31(2007), 285-298.
[8] Clark, M.C., Hall, L.O., Goldgof, D.B., Velthuizen, R., Murtagh,
F.R., Silbiger, M.S., (1998). Automatic Tumor Segmentation Using
Knowledge-Based Techniques. IEEE Transactions On Medical Imaging,
April, Vol. 17, No. 2.
[9] Xuan, X., Liao, Q., (2007). Statistical Structure Analysis in MRI Brain
Tumor Segmentation, Image and Graphics. Fourth International Confer-
ence on, pp. 421–426, 2007.
[10] Mohsen, H., El-Dahshan, E.-S.A., Salem, A.M., (2012). A machine
learning technique for MRI brain images. Informatics and Systems
(INFOS), 2012 8th International Conference on, 14-16 May, BIO-161
- BIO-165
[11] Arimura, H., Magome, T., Yamashita, Y., Yamamoto, D., (2009).
Computer-Aided Diagnosis Systems for Brain Diseases in Magnetic
Resonance Images. Algorithms 2009, 2, 925-952.
[12] Clark, M.C., Hall, L.O., Goldgof, D.B., Velthuizen, R., Murtagh,
F.R., Silbiger, M.S., (1998). Automatic Tumor Segmentation Using
Knowledge-Based Techniques. IEEE Transactions On Medical Imaging,
April, Vol. 17, No. 2.
[13] Ambrosini, R.D., Wang, P., O’Dell, W.G., (2010). Computer-Aided De-
tection of Metastatic Brain Tumors Using Automated Three-Dimensional
Template Matching. Journal Of Magnetic Resonance Imaging, 31:85–93.
[14] Zarandi, F., Zarinbal, M., Zarinbal, A., Turksen, I.B., Izadi, M., (2010).
Using Type-2 Fuzzy Function for Diagnosing Brain Tumors based on
Image Processing Approach. 2010 IEEE International Conference on
Fuzzy Systems (FUZZ).
[15] Gopal, N.N., Karnan, M., (2010). Diagnose Brain Tumor Through
MRI Using Image Processing Clustering Algorithms Such As Fuzzy C
Means Along With Intelligent Optimization Techniques. Computational
Intelligence and Computing Research (ICCIC), 2010 IEEE International
Conference on, 28-29 Dec., 1-4.
[16] National Cancer Institute http://www.cancerimagingarchive.net/
[17] Capelle, A.S., Alata, O., Fernandez, C., Lefevre, S., Ferrie, J.C., (2000).
Unsupervised Segmentation For Automatic Detection Of Brain Tumors
In MRI. 2000 International Conference on Image Processing.
[18] Kittler, J., Illingworth, J., (1986) Minimum Error Thresholding. Pattern
Recognition, 19(1),41-47.
[19] Pal, N.R., Pal, S.K., (1993). A review on image segmentation tech-
niques. Pattern Recognition 26(9), 1277-1294.
[20] Vannier, M.W., Haller, J.W., (1998). Biomedical Image Segmentation.
ICIP (2).
[21] Gonzalez, R.C., Woods, R.E., Eddins, S.L., (2004). Digital Image
Processing Using MATLAB. 1st edition, Prentice Hall, 1-109, 141-195,
335-514.
[22] Ronse, C., Devijver, P.A., (1984). Connected components in binary
images: the detection problem. Research Studies Press, NY: Wiley.
[23] Manohar, M., Ramapriyan, H.K., (1989). Connected Component Label-
ing of Binary Images on a Mesh Connected Massively Parallel Processor.
Computer Vision, Graphics, and Image Processing, 45, 133-149.
[24] Kazdal, S., Doğan, B., Çamurcu, A.Y. (2013) Beyin Tümörlerinin İleri
Görüntü İşleme Ve Örüntü Tanima Teknikleri Kullanilarak Bilgisayar
Destekli Tespiti. Yüksek Lisans Tezi. Marmara Üniversitesi Fen Bilimleri
Enstitüsü, İstanbul, Türkiye.
[25] Özekes, S., Çamurcu, A.Y., (2006). Rule Based Detection Of Lung Nod-
ules In CT Images. Istanbul University, Journal Of Electrical Electronics
Engineering, Vol.6, No.1, pp. 61-67.