Geri Dön

Meme kanseri tanısı için gelişmiş yapay zeka tabanlı çok aşamalı tespit sistemi

Advanced artificial intelligence based multi-stage detection system for breast cancer diagnosis

PDF İndir

  1. Tez No: 1017531
  2. Yazar: ABDUL SAMAD
  3. Danışmanlar: DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Meme kanseri, dünya genelinde kadınları etkileyen en önemli küresel sağlık sorunlarından biri olup, kadınlar arasında görülen tüm kanser vakalarının yaklaşık dörtte birini oluşturmaktadır. Her yıl iki milyondan fazla yeni meme kanseri vakası teşhis edilmekte ve bu durum, meme kanserini neredeyse tüm ülkelerde kadınlar arasında en sık tanı konulan malignite hâline getirmektedir. Yüksek yaygınlık ek olarak, meme kanseri kadınlarda kanserle ilişkili ölümlerin başlıca nedenlerinden biri olmaya devam etmektedir. Erken tanı, meme kanserinde sağkalım oranlarını ve tedavi başarısını artırmanın en etkili stratejisi olarak yaygın biçimde kabul edilmektedir. Hastalık erken evrede, özellikle kanser meme dokusu dışına yayılmadan önce tespit edildiğinde, beş yıllık sağkalım oranı %90'ın üzerine çıkmaktadır. Buna karşılık, hastalık ilerledikçe sağkalım oranları belirgin şekilde düşmekte, bu durum erken tanının kritik önemini açıkça ortaya koymaktadır. Meme dokusunun düşük doz X-ışınları kullanılarak görüntülenmesini sağlayan mamografi, meme kanseri taramasında altın standart yöntem olarak kabul edilmektedir. Düzenli mamografik taramalar, daha küçük ve tedavi edilebilir tümörlerin erken evrede saptanmasını sağlayarak meme kanserine bağlı ölümleri anlamlı ölçüde azaltmaktadır. Bununla birlikte, mamografi yorumlanması yüksek düzeyde uzmanlık gerektiren karmaşık bir süreç olup, gözlemciler arası yorum farklılıklarından önemli ölçüde etkilenmektedir. Meme kanseri tanısında yapay zeka alanındaki araştırmaların büyük bir bölümü, yalnızca benign (İyi huylu) ve malign (Kötü huylu) bulguların ayrımına odaklanan ikili sınıflandırma yaklaşımlarını benimsemiştir. Bu yaklaşımlar otomatik tanı sistemlerinin uygulanabilirliğini göstermesine rağmen, gerçek klinik pratikte karşılaşılan tanısal karmaşıklığı yeterince yansıtmamaktadır. Mamografik değerlendirme süreci, Amerikan Radyoloji Koleji tarafından geliştirilen ve kötü huylu olasılığına göre bulguları sınıflandıran standart bir sistem olan Meme Görüntüleme Raporlama ve Veri Sistemi (BI-RADS) rehberliğinde yürütülmektedir. BI-RADS kategorileri, 0 (eksik değerlendirme) ile 6 (biyopsi ile doğrulanmış Kötü huylu arasında değişmekte olup, her kategori belirli bir risk düzeyi ve önerilen klinik yaklaşım ile ilişkilidir. Dolayısıyla, doğru BI-RADS sınıflandırması, klinik karar destek sistemleri açısından hayati öneme sahiptir. Ancak, bu durum otomatik sistemler için önemli teknik zorluklar barındırmaktadır. Bu zorluklar arasında, komşu BI-RADS kategorileri arasındaki son derece ince görsel farklılıkların ayırt edilmesi, mamografik veri setlerinde görülen ciddi sınıf dengesizliği ve farklı görüntüleme cihazları, çekim protokolleri ile meme yoğunluğu gibi değişkenlere karşı modelin dayanıklılığının sağlanması yer almaktadır. Bu nedenlerle, basitleştirilmiş ikili sınıflandırma sistemleri klinik kullanım açısından sınırlı kalmakta ve gerçek klinik iş akışlarıyla daha uyumlu, çok sınıflı BI-RADS tabanlı tanı modellerine olan ihtiyacı ortaya koymaktadır. Son yıllarda yapay zeka, özellikle de derin öğrenme alanındaki gelişmeler, tıbbi görüntülemede tanısal doğruluğu ve tutarlılığı artırmak için yeni fırsatlar sunmuştur. Evrişimsel Sinir Ağları, tıbbi görüntülerden karmaşık ve hiyerarşik özellikleri otomatik olarak öğrenebilme yetenekleri sayesinde, insan gözünün kolaylıkla fark edemeyeceği ince örüntüleri yakalayabilmektedir. Ancak bu ilerlemelere rağmen, mevcut derin öğrenme çalışmalarının büyük çoğunluğu hâlen ikili sınıflandırmaya dayanmaktadır; bu durum tanısal açıdan önemli bilgilerin göz ardı edilmesine ve klinik karar destek kapasitesinin sınırlanmasına yol açmaktadır. Çok sınıflı BI-RADS sınıflandırması, ek zorluklar içermektedir. Mamografik veri setleri doğası gereği dengesizdir; İyi huylu vakalar, şüpheli veya kötü huylu vakalara kıyasla çok daha yaygındır ve bu durum model eğitimi sırasında önyargıya neden olabilmektedir. Ayrıca, komşu BI-RADS kategorileri arasındaki görsel farklar çoğu zaman oldukça sınırlıdır ve bu durum doğru sınıflandırmayı güçleştirmektedir. Görüntüleme cihazları, çekim protokolleri ve hasta bazlı faktörlerdeki değişkenlikler de model karmaşıklığını artırmaktadır. Bu zorluklar, çok sınıflı BI-RADS sınıflandırma sistemlerinin klinik önemine rağmen literatürde görece sınırlı sayıda yer almasını açıklamaktadır. Bu sınırlamaları ele almak amacıyla, bu tez çalışmasında BI-RADS sınıflandırmasına tasarlanmış çok sınıflı bir derin öğrenme çerçevesi önerilmektedir. Çalışmanın temel amacı, mamografik görüntüleri üç kritik sınıfa ayırabilen güvenilir ve klinik açıdan anlamlı bir tanı modeli geliştirmektir: BI-RADS 1 (Negatif bulgular), BI-RADS 2 (kesin benign bulgular) ve BI-RADS 4-5 (biyopsi veya ileri klinik müdahale gerektiren şüpheli ya da yüksek derecede malignite düşündüren bulgular). Bu üç sınıflı yapı, veri seti kısıtlarını göz önünde bulundurarak klinik açıdan önemli karar noktalarını kapsamakta ve klinik geçerlilik ile uygulanabilirlik arasında dengeli bir çözüm sunmaktadır. Modelin sağlamlığını ve genellenebilirliğini artırmak amacıyla, INbreast, CBIS DDSM, KAU-BCMD ve CMMD olmak üzere farklı klinik ortamlardan elde edilmiş dört adet açık erişimli mamografik veri seti kullanılmıştır. Tüm veri setlerine, yüksek kaliteli ve tutarlı girişler elde etmek amacıyla meme bölgesinin arka plan ve gürültüden ayrılmasını sağlayan bölütleme işlemleri ve tanısal açıdan önemli yapıları koruyan gürültü azaltma tekniklerini içeren odaklı bir ön işleme hattı uygulanmıştır. Model performansını optimize etmek ve en etkili eğitim yapılandırmalarını belirlemek amacıyla, sistematik bir grid arama yöntemi kullanılarak kapsamlı hiperparametre optimizasyonu gerçekleştirilmiştir. Öğrenme oranları (0,0002, 0,01, 0,001) ile farklı batch boyutlarının (16, 32, 64) kombinasyonları kullanılarak toplam dokuz farklı deneysel yapı değerlendirilmiştir. Bu yöntemsel yaklaşım, yakınsama hızı, eğitim kararlılığı ve genelleme yeteneği arasında optimal denge sağlayan parametrelerin belirlenmesini mümkün kılmıştır. Veri artırma teknikleri yatay çevirme (olasılık = 0,5) ve rastgele döndürme (±15°), veri seti bölünmesinden sonra yalnızca eğitim verilerine uygulanmış; doğrulama ve test kümeleri değiştirilmeden bırakılarak tarafsız ve güvenilir performans değerlendirmesi sağlanmıştır. Veri seti, makine öğreniminde yerleşik en iyi uygulamalara uygun olarak %80 eğitim, %10 doğrulama ve %10 test olacak şekilde bölünmüştür. Bu çalışmada DenseNet121, VGG19, EfficientNetB3 ve mamografik görüntü analizi için tasarlanmış bir CNN olmak üzere dört farklı derin öğrenme mimarisi değerlendirilmiştir. Tüm modeller, aşırı uyumu önlemek amacıyla erken durdurma stratejisi kullanılarak en fazla 10 epoch boyunca eğitilmiştir. Transfer öğrenme yaklaşımı benimsenerek, modeller ImageNet üzerinde önceden eğitilmiş ağırlıklarla başlatılmış ve mamografi verileri üzerinde ince ayar (fine-tuning) yapılmıştır. Model performansı; doğruluk, duyarlılık, özgüllük, kesinlik, F1-skoru ve Eğri Altındaki Alan gibi tamamlayıcı değerlendirme metrikleri kullanılarak analiz edilmiştir. Bu metrikler hem genel performansın hem de BI-RADS sınıflarına özgü tanısal başarının kapsamlı biçimde değerlendirilmesini sağlamıştır. Tüm deneyler boyunca EfficientNetB3 modeli, en güçlü ve en kararlı performansı sergilemiştir. En iyi sonuçlar, Deney 9'da (öğrenme oranı = 0,01, batch boyutu = 64) elde edilmiş; model %92,69 test doğruluğu ve 0,98 AUC değeri ile tüm modeller arasında en yüksek performansa ulaşmıştır. Ayrıca, BI-RADS 1 için 0,95, BI-RADS 2 için 0,92 ve BI-RADS 4-5 için 0,90 F1-skorları elde edilerek sınıflar arası yüksek ayırt edicilik sağlanmıştır. DenseNet121 modeli de rekabetçi bir performans sergilemiş; en yüksek genel başarısını Deney 5'te (öğrenme oranı = 0,001, batch boyutu = 32) %91,83 doğruluk ve 0,98 AUC değeri ile elde etmiştir. Sınıf bazlı sonuçlar ise BI-RADS 1 için 0,94, BI RADS 2 için 0,91 ve BI-RADS 4-5 için 0,89 F1-skorlarına ulaşılmıştır. VGG19 modeli, daha eski bir mimari olmasına rağmen istikrarlı ve güvenilir bir performans göstermiştir. En iyi genel doğruluk değeri %90,75 ile Deney 7'de elde edilmiş ve 0,97 AUC değerine ulaşılmıştır. Sınıf bazlı en yüksek F1-skorları BI-RADS 1 için 0,93, BI-RADS 2 için 0,90 ve BI-RADS 4-5 için 0,89 olarak kaydedilmiştir. Tasarlanan CNN modeli, en iyi performansını Deney 4'te (öğrenme oranı = 0,001, batch boyutu = 64) %89,25 doğruluk ve 0,97 AUC değeri ile göstermiştir. Sınıf bazlı F1-skorları BI-RADS 1 için 0,91, BI-RADS 2 için 0,88 ve BI-RADS 4-5 için 0,88 olarak elde edilmiştir. Ancak bu model, tüm deneylerde önceden eğitilmiş mimarilerin gerisinde kalmış; bu durum, mamografik görüntü sınıflandırmasında transfer öğrenmenin sağladığı belirgin avantajı açıkça ortaya koymuştur. Sonuç olarak, bu çalışma, derin öğrenme yaklaşımlarının özellikle transfer öğrenme ve önceden eğitilmiş modellerin ince ayarlanmasının çok sınıflı BI-RADS sınıflandırmasını klinik açıdan anlamlı ve güvenilir biçimde gerçekleştirebildiğini göstermektedir. BI-RADS 1, BI-RADS 2 ve BI-RADS 4-5 sınıflarını ayrı ayrı ele alan önerilen üç sınıflı yapı, geleneksel ikili yaklaşımlara kıyasla daha ayrıntılı ve klinik olarak daha faydalı bir tanısal çerçeve sunmaktadır. BI-RADS 2'nin bağımsız bir İyi huylu kategori olarak değerlendirilmesi tanısal hassasiyeti artırmakta; çoklu ve heterojen veri setlerinin kullanımı ise modelin genellenebilirliğini güçlendirmektedir. Genel olarak, önerilen sistemin radyologları destekleyen, gözlemciler arası değişkenliği azaltan ve mamografi yorumlamasında tutarlılığı artıran etkili bir bilgisayar destekli tanı aracı olma potansiyeline sahip olduğu gösterilmiştir. Elde edilen bulgular, modern derin öğrenme teknikleri kullanılarak yüksek doğruluk, özgüllük ve duyarlılığın sağlanabileceğini doğrulamakta ve önerilen yaklaşımın meme kanseri tarama ve tanı süreçlerinde klinik uygulama açısından güçlü bir potansiyel taşıdığını ortaya koymaktadır.

Özet (Çeviri)

Breast cancer represents one of the most significant health challenges facing women worldwide. Breast cancer is a major global health concern, accounting for approximately one in four cancer diagnoses among women worldwide. With over two million new cases diagnosed annually, it remains the most frequently detected cancer in women across nearly every country. In addition to its high prevalence, breast cancer is also one of the leading causes of cancer-related mortality among women. The complexity of the disease is reflected in its diverse molecular subtypes, including luminal subtypes, HER2-enriched tumors, and triple-negative breast cancer, each characterized by distinct pathological features and treatment responses. Early detection of breast cancer is widely recognized as the most effective strategy for improving survival rates and treatment outcomes. When the disease is identified at an early stage, particularly before it has spread beyond breast tissue survival rates are substantially higher. However, as breast cancer progresses to more advanced stages, survival rates decline markedly, underscoring the critical window of opportunity provided by early diagnosis. Mammography, which uses low-dose X-rays to visualize breast tissue, is widely regarded as the most effective screening modality for early breast cancer detection. Regular mammographic screening has been shown to reduce mortality by enabling the detection of tumors at smaller sizes and earlier, more treatable stages. Despite these benefits, mammogram interpretation remains a challenging task that requires specialized expertise and is often affected by inter-reader variability among radiologists. Deep learning has demonstrated strong effectiveness in breast cancer detection because of its ability to automatically learn discriminative patterns directly from mammographic data. Unlike traditional approaches that depend on handcrafted feature extraction, deep learning models are capable of capturing subtle visual differences in breast tissue that are critical for identifying early abnormalities. This capability is particularly valuable for distinguishing between normal, benign, and suspicious findings, where visual cues may be minimal or easily overlooked. Moreover, the use of transfer learning enhances model performance by enabling efficient learning even when annotated medical datasets are limited. Most traditional research has simplified breast cancer classification into a binary benign–malignant decision, thereby overlooking the detailed risk stratification defined by the Breast Imaging Reporting and Data System (BI-RADS). Such simplification obscures clinically important distinctions and limits the real-world applicability of automated diagnostic models. In response, this work emphasizes a clinically meaningful BI-RADS based breast cancer detection framework, aiming to provide decision support that more closely aligns with actual diagnostic workflows and clinical requirements. In this study, four publicly available mammography datasets were utilized for BI RADS based breast cancer detection. Each dataset provides mammogram images accompanied by clinically relevant labels, making them valuable for the development and evaluation of AI-based algorithms. The first dataset, INbreast, consists of 410 mammogram images with detailed BI RADS annotations. Based on these annotations, the images were categorized into BI RADS classes representing varying levels of breast abnormality. The second dataset, CBIS-DDSM, includes 1,696 mammogram images focusing on mass and calcification findings. This dataset provides BI-RADS assessments as well as benign and malignant pathology labels, enabling classification of breast lesions according to malignancy status. The third dataset, KAU-BCMD, contains 2,378 mammogram images labeled with BI RADS scores. Using these labels, the images were categorized into BI-RADS categories. The fourth dataset, CMMD, comprises biopsy-confirmed mammogram images from 1,775 individuals. It includes diagnostic labels indicating benign or malignant status, allowing classification across healthy, benign, and malignant conditions. In this study, a robust preprocessing pipeline was developed to ensure high-quality and standardized inputs for deep learning models. The pipeline first converts mammograms to grayscale and suppresses noise using Gaussian and median filtering. Otsu-based segmentation is then applied to separate breast tissue from irrelevant background regions. Subsequently, contour detection and bounding-box extraction are used to automatically identify and crop the true breast region of interest (ROI). Finally, histogram equalization is employed to enhance global contrast, thereby improving the visibility of subtle lesion characteristics. This standardized and noise-reduced ROI enhances feature clarity, improves model stability, and contributes significantly to the overall performance of the proposed BI-RADS based breast cancer classification framework. The dataset was divided into training (80%), validation (10%), and testing (10%) subsets. Data augmentation was applied exclusively to the training set to increase data variability and enhance model generalization. The augmentation strategy included Horizontal flipping (probability=0.5) and random rotation (±15°). These transformations generated diverse image representations, enabling the models to learn more robust and invariant features while reducing the risk of overfitting. Grid search was employed as the hyperparameter optimization strategy due to its systematic and reproducible evaluation of predefined parameter combinations. This approach is particularly suitable for CNN-based medical image analysis, where model performance is highly sensitive to training parameters such as learning rate and batch size. In this study, grid search was used to identify the optimal learning rate and batch size for each architecture, ensuring fair and unbiased comparisons across different models. This systematic optimization process contributed to stable training behavior, improved convergence, and more reliable BI-RADS classification performance. All stages of the study, including dataset preprocessing, algorithm design, model implementation, hyperparameter optimization, and performance evaluation were conducted using the Python programming language with established deep learning frameworks.Four deep learning architectures were evaluated: DenseNet121, VGG19, EfficientNetB3, and a custom-designed CNN model specifically for mammographic image analysis. Transfer learning was employed by initializing each model with ImageNet-pretrained weights, followed by fine-tuning on mammography data to capture domain-specific features. All models were trained for up to 10 epochs with early stopping to mitigate overfitting. Model performance was assessed using a comprehensive set of evaluation metrics, including accuracy, sensitivity, specificity, precision, F1-score and AUC, enabling a thorough analysis of overall performance, class-wise behavior, and agreement between predicted and true BI-RADS labels. Throughout all experiments, the EfficientNetB3 model demonstrated the most robust and stable performance. The best results were achieved in Experiment 9 (learning rate = 0.01, batch size = 64), where the model attained the highest performance among all models with 92.69% test accuracy and an AUC of 0.98. Additionally, high class-wise discriminative performance was observed, with F1-scores of 0.95 for BI-RADS 1, 0.92 for BI-RADS 2, and 0.90 for BI-RADS 4-5. The DenseNet121 model also exhibited competitive performance, achieving its highest overall results in Experiment 5 (learning rate = 0.001, batch size = 32), with 91.83% accuracy and an AUC of 0.98. The class-wise F1-scores reached 0.94 for BI-RADS 1, 0.91 for BI-RADS 2, and 0.89 for BI-RADS 4-5. Despite being an older architecture, the VGG19 model showed consistent and reliable performance. Its best overall accuracy of 90.75% was obtained in Experiment 7, along with an AUC of 0.97. The highest class-wise F1-scores were recorded as 0.93 for BI-RADS 1, 0.90 for BI-RADS 2, and 0.89 for BI-RADS 4-5. The designed CNN model achieved its best performance in Experiment 4 (learning rate = 0.001, batch size = 64), with 89.25% accuracy and an AUC of 0.97. The class wise F1-scores were 0.91 for BI-RADS 1, 0.88 for BI-RADS 2, and 0.88 for BI-RADS 4-5. Overall, these findings confirm that EfficientNetB3 achieves the highest class wise precision, recall, and F1 across all BI-RADS categories, establishing it as the most effective architecture in this study. This study demonstrates that deep learning, particularly transfer learning with fine-tuned pre-trained models, can reliably perform multi-class BI-RADS classification with strong clinical relevance. The proposed three class framework, separating BI-RADS 1, BI-RADS 2, and BI-RADS 4-5 offers a more meaningful and clinically aligned structure than traditional binary methods, with the explicit inclusion of BI-RADS 2 as an independent benign category adding essential diagnostic value. The use of multiple heterogeneous datasets further enhanced model robustness and generalization, leading to consistently high accuracy, specificity, and sensitivity across all experiments. Importantly, the performance achieved in this study surpasses that of many previous works, which often relied on binary or merged-class schemes and reported lower AUC scores and less balanced class-wise performance. Overall, the system shows strong potential as a computer-aided diagnosis tool that can support radiologists, reduce differences in interpretation across clinicians, and improve the reliability of mammogram assessment. These findings confirm that the proposed approach is both practical and effective for distinguishing negative, benign, and suspicious cases, demonstrating significant promise for future clinical application in breast cancer screening and diagnosis.

Benzer Tezler

  1. Tez No

    847504

    Synthesis of dye-conjugated PD-L1 targeted peptides for use in pet/ct in diagnosis of lung cancer

    Akciğer kanseri teşhisi için PET/CT sistemlerinde kullanılacak PD-L1 proteini hedefli boya takılı peptitlerin sentezi

    SAADET YEŞİLMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Biyoteknolojiİstanbul Teknik Üniversitesi

    Kimya Ana Bilim Dalı

    DOÇ. DR. ONUR ALPTÜRK

    DR. ÖZGÜR YILMAZ

  2. Tez No

    426690

    Adana Havutlu beldesindeki 20 yaş ve üstü kadınların meme kanseri ve kendi kendine meme muayenesi hakkındaki bilgi, tutum ve davranışlarının araştırılması

    The investigation of knowledge, attitude and behavior of 20 years and older women living in Adana Havutlu quarter about breast cancer and breast self-examination

    SEVİM SİBEL DEMİR UZAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Halk SağlığıÇukurova Üniversitesi

    Halk Sağlığı Ana Bilim Dalı

    PROF. DR. NECDET AYTAÇ

  3. Tez No

    939174

    CDK 4/6 inhibitörleri ile tedavi edilen metastatik meme kanseri hastalarında 18 F FDG PET/BT tabanlı nomogram modeli ile progresyonsuz sağkalım tahmini

    Development of an 18 F FDG PET/CT derived nomogram to predict progression free survival in metastatic breast cancer patients treated with CDK 4/6 inhibitors

    ZEYNEP CEREN BALABAN GENÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    OnkolojiMarmara Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    DOÇ. DR. SALİH ÖZGÜVEN

  4. Tez No

    939225

    Targeting circulating breast cancer stem cells via mTOR and WNT inhibitors after bone metastasis

    Sirküle meme kanseri kök hücrelerinin kemik metastazı sonrası mTOR ve WNT inhibitörleri ile hedeflenmesi̇

    ÖZLEM ALTUNDAĞ ERDOĞAN

    Doktora

    İngilizce

    İngilizce

    2025

    BiyokimyaHacettepe Üniversitesi

    Kök Hücre Ana Bilim Dalı

    PROF. DR. BETÜL ÇELEBİ SALTIK

  5. Tez No

    192841

    Prostat adenokarsinomlarında psa değerlerinin gleason skor ve klinik evre ile ilişkisi

    The relation between psa and gleason score and clinical phase in prostate adenocarsinoma

    HACI HASAN ESEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2005

    PatolojiSelçuk Üniversitesi

    Patoloji Ana Bilim Dalı

    PROF.DR. MUSTAFA CİHAT AVUNDUK

Geri Dön