In this paper, we propose a new hybrid Local Binary Pattern (LBP) based on Hessian matrix and Attractive Center-Symmetric LBP (ACS-LBP), called Hess-ACS-LBP. The Hessian matrix provides the directional derivative information of different texture regions, while ACS-LBP reveals the local texture features efficiently. To obtain the macro- and micro-structure textural changes, Hessian matrix is calculated in a multiscale schema. Multiscale Hessian matrix presents the intrinsic local geometry of the texture changes. The magnitude information of the Hessian matrix is used in the ACS-LBP method. A cross-scale joint coding strategy is used to construct Hess-ACS-LBP descriptor. Finally, histogram concatenation is carried out. Extensive experiments on eight texture databases of CUReT, USPTex, KTH-TIPS2b, MondialMarmi, OuTeX TC_00013, XU HR, ALOT and STex validate the efficiency of the proposed method. The proposed Hess-ACS-LBP method achieves about 20% improvement over the original LBP method and 1%–11% improvement over the other state-of-the-art hand-crafted LBP methods in terms of classification accuracy. Besides, the experimental results show that the proposed method achieves up to 32% better results than the state-of-the-art deep learning based methods. Especially, the performance of the proposed method on ALOT and STex datasets containing many classes is remarkable.

To enhance the weakness of Local Binary Pattern (LBP) and its state-of-the-art variants, this paper presents a new variant of the local concave microstructure pattern (LCvMSP). The proposed multi-scale shape index based texture descriptor is named as SI-LCvMSP. Contrarily to the original LBP and LCvMSP, SI-LCvMSP uses the shape index instead of the original texture image in the kernel function. The shape index is a differential calculation and it can be calculated from local second-order derivatives of texture images. It captures microstructure and macrostructure texture information mathematically. As textural features, we use multi-scale and multi-resolution shape index information as well as rotation-invariant uniform LBP. Thus, we obtain the discriminative feature representation schema to construct cross-scale joint coding. The proposed method has a high discriminability and is less sensitive to image transforms such as rotation and illumination. Experimental results show that the SI-LCvMSP descriptor can improve classification accuracy.

Çekirgeler, mahsullere zarar vererek her yıl milyonlarca ton gıdanın yok olmasına neden olmaktadır. Etkili ve doğru çekirge tanımlama sistemlerinin geliştirilmesi, çekirge türlerinin kontrol altına alınması ve gıda kaybının önlenmesinde kritik öneme sahiptir. Bu çalışmada, ülkemizin ve dünyanın çeşitli yerlerinde görülen 11 farklı bitki zararlısı çekirge türü çeşitli evrişimsel sinir ağı modelleri kullanılarak sınıflandırılmıştır. Çalışmada kullanılan veri seti ülkemizin Doğu ve Güneydoğu Anadolu bölgesinde gözlemlenerek elde edilmiştir. Bu çalışmanın en büyük yeniliği, ülkemizde bulunan 11 farklı bitki zararlısı çekirge türüne ait GHCD11 adında yeni bir veri setinin oluşturulmuş olmasıdır. Bunun yanında, çalışmada 11 farklı bitki zararlısı çekirge türünün otomatik olarak sınıflandırılması için Keras kütüphanesinde bulunan ve görüntü sınıflandırmasında yaygın olarak kullanılan VGG16, VGG19, ResNet50, DenseNet121, EfficientNet, MobileNet kullanılmıştır. Öğrenme aktarımı ile GHCD11 veri seti üzerinde yapılan deneysel çalışmalar sonucunda, %95 ile %99 aralığında kayda değer sınıflandırma doğrulukları elde edilmiştir. Çalışma yeni bir veri seti sunmasının yanı sıra, bitki zararlısı çekirge türlerinin evrişimsel sinir ağı mimarileri ile otomatik tanı ve tespitinin yüksek başarım ile yapılabileceğini göstermesi açısından önem arz etmektedir.

This paper presents an integrated system for the breast cancer detection from mammograms based on automated mass detection, classification, and retrieval with a goal to support decision-making by retrieving and displaying the relevant past cases as well as predicting the images as benign or malignant. It is hypothesized that the proposed diagnostic aid would refresh the radiologist’s mental memory to guide them to a precise diagnosis with concrete visualizations instead of only suggesting a second diagnosis like many other CAD systems. Towards achieving this goal, a Graph-Based Visual Saliency (GBVS) method is used for automatic mass detection, invariant features are extracted based on using Non-Subsampled Contourlet transform (NSCT) and eigenvalues of the Hessian matrix in a histogram of oriented gradients (HOG), and finally classification and retrieval are performed based on using Support Vector Machines (SVM) and Extreme Learning Machines (ELM), and a linear combination-based similarity fusion approach. The image retrieval and classification performances are evaluated and compared in the benchmark Digital Database for Screening Mammography (DDSM) of 2604 cases by using both the precision-recall and classification accuracies. Experimental results demonstrate the effectiveness of the proposed system and show the viability of a real-time clinical application.

Meme kanseri, akciğer kanserinden sonra kadınlarda kanser ölümlerinin ikinci önemli sebebidir. Erken tanı, meme kanseri tedavisinde oldukça önemlidir. Mamografi, meme kanserinin erken teşhisinde en çok kullanılan görüntüleme tekniğidir. Yapılan araştırmalar, 50 yaşın üstünde düzenli mamografi çektirmenin kadınlar için ölüm oranını %30 oranında azaltabileceğini göstermektedir. Ancak, mamogramların yorumlanması genellikle özneldir. Bu çalışmada, göğüs kitlelerinin otomatik tespiti, sınıflandırılması ve içerik tabanlı erişimi için entegre bir sistem sunulmuştur. Bu kapsamda, hekimlerin kitle hakkındaki kararları, üst düzey derin öznitelikler ve düşük seviye öznitelik seti ile ifade edilmiştir. Önerilen sistemde düşük seviyeli öznitelikleri elde etmek için, kitle tespitinde graf tabanlı görsel çıkıntı yöntemi kullanılmış ve öznitelik çıkarımı için örneklemesiz contourlet dönüşümü ve eig(Hess)-HOG yöntemleri kullanılmıştır. Ayrıca, yüksek seviyeli evrişimsel sinir ağı öznitelikleri kullanılmıştır. Ardından, test görüntülerinin kategorisini tahmin etmek için yukarıda bahsedilen özniteliklere dayalı iki aşırı öğrenme makinesi (AÖM) sınıflandırıcısı kullanılmıştır. Farklı özniteliklere dayalı sınıflandırıcıların sonuçları, test görüntülerinin türünü belirlemek için analiz edilmiştir. Görüntü erişimi ve sınıflandırma performansları, hem kesinlik-duyarlılık hem de sınıflandırma doğrulukları kullanarak IRMA mammographic patches veri setinde değerlendirilip ve karşılaştırılmıştır. Deneysel sonuçlar, önerilen sistemin etkililiğini ve gerçek zamanlı klinik uygulamalardaki kullanılabilirliğini göstermektedir.