This study presents a method that is based on applying Stationary Wavelet Transform (SWT) for the characterization of healty and pathologic human brain tissues and differentiating tumor tissue into different tissue types. 10 patient who were prediagnosed with cerebral glial tumors were included this study and the diagnosis were proven by histopathological examination. On ADC images that are obtained from Diffusion Weighted Images (DWI) SWT coefficients were calculated on each selected brain region of interest. The results were evaluated with Independent One-Way ANOVA test and the significance level was investigated for different tissue types. There was no meaningful difference between edema-cyctic tissue, high grade-low grade tumor tissues and edema-necrosis (p>0.05), while other tissue types were discriminated succesfully (p<0.01). In order to improve segmentation result; stastistical features were evaluated on T2 Flair (T2*) images at the same slice. For each patient the tumor is detected and divided into sub images on T2* images. Then for each sub-image, mean, standart deviation, mean absolute deviation, entropy and with gray level co-occurrance matrix (GLCM); homogenity, energy, correlation and contrast were calculated. These feature vectors which are based on texture analysis evaluated statistically. While correlation and mean value were significantly different in different tissue parts (p<0,01) the other features were not meaningful at the level of significance % 1. The different tissue types segmented using Self- Organizing Maps (SOM) with feature vectors; correlation and mean values obtained from T2* and DDD coefficients obtained from ADC. The results are validated against manually segmented images by specialists and % 92,42 success was obtained. Experiments on 10 images demonstrated that evaluating frequency knowledge of ADC and statistical features of T2* images, together for feature extraction gives effective results in order to differentiate brain tissues into different types.viiiThe another aim of this study is, grading glial brain tumors that is very important for patients‟ operation planning and morbidity. For this purpose, 25 patient, (18 of them with high grade and 7 low grade), who were prediagnosed with cerebral glial tumors were included this study and the diagnosis were proven by histopathological examination. Their statistical features examined on T2* images and as a result it is seen that contrast and homogenity are two efficient features for tumor grading. In addition to this features, relative cerebral blood volume (rCBV), relative cerebral blood flow (rCBF) and mean transit time (MTT) that are obtained from Perfusion Magnetic Imaging (MRP) by specialist, and The Choline (Cho), N- acetyl aspartate (NAA), Creatine (Cr), Cho/Cr, Cho/NAA and Lipid-Lactat (LL) metabolites that calculated by specialist, evaluated for tumor grading, with statistical analysis. There was a statistically meaningful difference between high and low grade with rCBV values (p<0.05) and LL metabolites (p<0.01) while there was no difference in other features. Homogenity and contrast features that obtained from T2* images, r CBV value obtained from MRP, evidence of LL pic that is obtained from MRS and patients age knowledge were all examined with Linear Discriminant Analysis (LDA) and grades are discriminated. The best success rate obtained by using homogenity-contast knowledge (%96), and homogenity-rCBV (%92), homogenity-LL (%92) contrast-LL (%91,6) followed it.As a result it is shown that, with evaluating MRP, MRS features together with homogenity and contrast that obtained from T2* images, glial tumors can be gradedsuccessfully. Keywords: Self-Organizing Maps, Stationary Wavelet Transform, Apperent Diffusion Coefficients, Brain Tumors, Image Segmentation, Tumor Grading, Magnetic Resonance Imaging.

ÇalıŞmada Durağan Dalgacık DönüŞümü (DDD) katsayılarının ve istatistiksel doku özelliklerinin, anormal dokuların sağlıklı dokulardan ayrılması ve farklı tümör dokularının bölütlenmesinde kullanımına dayanan bir yöntem sunulmaktadır. Yapılan incelemede glial tümör olduğu öngörülen ve histopatolojik tanı elde edilen 10 hastaya ait Difüzyon Ağırlıklı Görüntülerden (DAG) elde edilen Görünür Difüzyon Katsayısı (Apparent Diffusion Coefficient-ADC) görüntüsü üzerinde seçilen beyin bölgelerinin DDD katsayıları hesaplanmıŞtır ve sonuçlar bağımsız örneklem tek yönlü varyans analizi ile değerlendirilerek farklı dokular arasındaki anlamlılık düzeyi incelenmiŞtir. Ödem-kist dokusu, düŞük-yüksek evreli dokular ve ödem-nekroz dokuları arasında DDD katsayıları bakımından anlamlı bir iliŞki gözlenmezken (p>0.05) diğer dokuların ayrımında DDD katsayıları baŞarılı olmuŞtur (p<0.01). Bölütleme baŞarısını arttırmak için aynı kesitteki T2 Flair (T2*) görüntülerinden elde edilen istatistiksel özellikler değerlendirilmiŞtir. ÇalıŞmaya dahil edilen her bir hastanın T2* görüntüleri üzerinde tümörlü bölge tespit edilerek alt görüntülere bölünmüŞtür. Daha sonra her bir alt görüntünün entropi, ortalama, standart sapma, ortalama mutlak sapma (OMS) değerleri ve gri düzey eŞ oluŞum matrisleri (GLCM) kullanılarak homojenlik, korelasyon, enerji ve kontrast değerleri hesaplanmıŞtır. Doku analizine dayanarak elde edilen bu öznitelik vektörleri istatistiksel olarak değerlendirilmiŞtir. Sonuçta, farklı tümör dokuları arasında ortalama ve korelasyon değerleri açısından anlamlı bir farklılık gözlenirken (p<0,01) diğer değerler arasında %1 anlamlılık düzeyinde anlamlı bir iliŞki gözlenmemiŞtir. T2* görüntülerinden elde edilen ortalama ve korelasyon değerleri ve ADC görüntülerinden elde edilen DDD katsayılarından elde edilen özellik vektörleri kullanılarak, farklı doku türleri özdüzenleyici haritalar ile bölütlenmiŞtir. Sonuçlar uzman tarafından hazırlanan manuel bölütleme sonuçları ile karŞılaŞtırılmıŞ ve bölütlemede % 92,42‟ lik baŞarı elde edilmiŞtir. Sonuçta 10 hasta üzerinde yapılan çalıŞmalarda ADC görüntülerine ait vifrekans bilgisi ve T2* görüntülerine ait istatistiksel özellikler birlikte kullanıldığında beyin dokularının bölütlenmesinde baŞarılı sonuç alındığı gözlenmiŞtir.ÇalıŞmanın bir diğer amacı ise, tedavi planlama ve prognoz açısından son derece önemli olan, beyin tümörlerinin evrelenmesidir. Bu amaçla glial tümör olduğu öngörülen ve histopatolojik tanı elde edilen 18 yüksek evreli, 7 düŞük evreli 25 adet hastaya ait T2* görüntüsünden alınan tümör kesitlerinin bazı istatistiksel özellikleri incelenmiŞ, kontrast ve homojenite değerlerinin tümör evresinin belirlenmesinde iki önemli özellik olduğu sonucuna varılmıŞtır (p<0.01). Bu özelliklere ek olarak uzman tarafından Perfüzyon Manyetik Rezonans Görüntüleme (MRP)‟den elde edilen relatif serebral kan volümü (rCBV), relatif serebral kan akımı (rCBF) ve ortalama geçiŞ zamanları, Manyetik Rezonans Spektroskopisi (MRS)‟den elde edilen kolin(Cho), N-asetil aspartat (NAA), keratin (Cr), Cho/Cr, Cho/NAA ve Lipit-Laktat metabolitleri değerlendirildi. Yapılan istatistiksel analiz sonucunda tümörlerin evrelenmesinde rCBV (p<0.05) ve LL pikinin varlığı (p<0.01) anlamlı bulunurken diğer özellikler anlamlı bulunmadı. T2* Görüntülerinden elde edilen homojenite, kontrast, MRP‟den elde edilen rCBV, ve MRS‟den elde edilen LL piki varlığı ve hastaların yaŞ bilgisi lineer diskriminat analizi (LDA) ile incelenerek evreler gruplandırılmaya çalıŞılmıŞtır. En yüksek baŞarı homojenite-kontrast bilgisinin beraber kullanımıyla elde edilirken (%96) bunu homojenite-rCBV (%92), homojenite-LL (%92), kontrast-LL(%91,6) ile yapılan ayrımlar izlemiŞtir. Sonuç olarak MRP ve MRS „e ait özelliklerle beraber T2* görüntülerinden elde edilen bazı özelliklerin beraber kullanımıyla tümörlerin baŞarıyla evrelendiği gösterilmiŞtir. Anahtar Kelimeler: Özdüzenleyici Harita, Durağan Dalgacık Dönüşümü, Görünür Difüzyon Katsayısı, Beyin Tümörleri, Görüntü Bölütleme, Tümör Evrelendirme, Magnetik Rezonans Görüntüleme.