In this study, output images produced by medical imaging systems, which have an important role in the diagnosis and treatment of the disease, are used. If the noises of the images used in the medical field are not sufficiently reduced, the use of these images as a medical purpose and diagnosis of the disease becomes very difficult. For this purpose, a new machine learning approach, Extreme Learning Machines (ELM), has been applied for determining noisy pixels in medical images and denoising. The reason behind selecting this method is not only for denoising pixels, but also maintaining critical structural information that can be used for disease diagnosis. The classification techniques (ANN and SVM) with filtering methods (Gauss, NLMF and Kuwahara) are compared with our study. After filtering, some commonly used statistical parameters (MSE, PSNR and SSIM) are calculated to measure the similarity between filtered and original images. The effect of the ELM method on medical images was compared by using multiple computerized tomography (CT) images. The results showed that this method is statistically effective and produces more accurate and higher success rates than other methods.Key Words: Medical imaging, noise detection, extreme learning machines, denoising, filtering.

Bu çalışmada, hastalığın tanı ve tedavisinde önemli bir yere sahip olan tıbbi görüntüleme sistemlerinin ürettikleri çıktıların görüntüleri kullanılmıştır. Medikal alanda kullanılan görüntülerin gürültüleri yeterince azaltılmaz ise bu görüntülerin tıbbi amaç olarak kullanılması ve hastalığın teşhisi çok zor hale gelir. Bu amaçla da, tıbbi görüntülerdeki gürültülü pikselleri tespit etmek ve gürültüleri temizleme için yeni bir kaynak ayrıştırma yöntemi olan aşırı öğrenme makineleri (ELM) metodu uygulanmıştır. Bu yöntemin seçilmesinin sebebi sadece gürültülü pikselleri temizlemek değil, aynı zamanda hastalık teşhisi için kullanılabilecek kritik yapısal bilgileri korumaktır. Yapılmış çalışma ile yaygın olarak kullanılan sınıflandırma tekniklerinden ileri beslemeli yapay sinir ağları (YSA) ve destek vektör makineleri (SVM) ile filtreleme yöntemlerinden Gauss, NLMF ve Kuwahara filtreleri ile karşılaştırılmıştır. Filtreleme işleminden sonra, filtrelenmiş ile orijinal görüntüler arasındaki benzerliğin ölçülmesi için yaygın olarak kullanılan bazı istatistiksel parametreler (MSE, PSNR ve SSIM) hesaplanmıştır. Çok sayıda bilgisayarlı tomografi (CT) görüntüsü kullanılarak, ELM yönteminin tıbbi görüntüler üzerindeki etkisi kıyaslanmıştır. Bu yöntemin istatistiksel olarak etkili olduğu, diğer yöntemlerden daha doğru ve yüksek başarı oranları ürettiği raporlanmıştır.Anahtar Kelimeler: Tıbbi görüntüleme, gürültü tespiti, aşırı öğrenme makineleri, gürültü temizleme, filtreleme.