A centralized multi modal deep learning for breast cancer diagnosis: A physics aware approach
Meme kanseri tanısı için merkezileştirilmiş çok modlu derin öğrenme: Fizik farkındalıklı bir yaklaşım
- Tez No: 1018416
- Danışmanlar: DR. ÖĞR. ÜYESİ RÜYA YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Meme kanseri, dünya genelinde kadınlar arasında kansere bağlı ölümlerin başlıca nedenlerinden biri olup, bu durum hastalığın mortalite oranlarını azaltmak amacıyla doğru, güvenilir ve bilgisayar destekli tanı sistemlerine olan ihtiyacı artırmıştır. Tıbbi görüntüleme alanında derin öğrenme tekniklerinin kullanımı büyük bir potansiyel göstermiştir; ancak mevcut çalışmalar genellikle görüntüleme modalitelerini ayrı ayrı ele almış, bu da klinik ortamda sonuçların genellenebilirliğini ve yorumlanabilirliğini sınırlamıştır. Bu nedenle, bu tezin amacı, üç farklı görüntüleme modalitesini entegre eden ve benign ile malign sınıflandırmasını gerçekleştiren merkezi bir çok modlu derin öğrenme sistemi geliştirmektir. Bu çalışma kapsamında her bir görüntüleme modalitesi ve buna özgü ön işleme teknikleri ayrı ayrı ele alınmıştır. Her görüntüleme modalitesi kendine özgü gürültü (örneğin ultrason görüntülerinde speckle gürültüsü) ve görüntü kalitesi problemlerine sahip olduğundan, ön işleme adımları da farklılık göstermektedir. Ultrason görüntülerinde, tümör kenarlarının keskinliğini korumak ve görselleştirmeyi iyileştirmek amacıyla yüksek gürültülü bölgelerde bilateral filtreleme uygulanmıştır. Manyetik rezonans görüntüleme (MRI) için ise, tümörü en iyi temsil eden kesitin belirlenmesini sağlayan Anahtar Kesit Seçimi (Key Slice Extraction) yöntemi kullanılmış, ardından N4 bias alanı düzeltmesi ve Otsu eşikleme yöntemi uygulanarak homojen yoğunluklu görüntüler elde edilmiştir. Bu yaklaşım, 2 boyutlu evrişimsel sinir ağlarının (CNN) kullanılmasını mümkün kılarken, 3 boyutlu işleme yöntemlerine kıyasla hesaplama maliyetlerini de önemli ölçüde azaltmaktadır. Mammografi görüntülerinde yüksek çözünürlük, meme kanseri tanısında önemli olan küçük kalsifikasyon desenlerinin tespit edilmesini sağlamaktadır. Bu nedenle mammografi ön işleme süreci, görüntü kalitesini korumaya odaklanmıştır. Özellik çıkarımını (Feature Extraction - FX) iyileştirmek ve sınıflandırma performansını artırmak amacıyla, ultrason ve mammografi görüntüleri için ResNet50 tabanlı transfer öğrenme yöntemi, MRI görüntüleri için ise DenseNet121 mimarisi kullanılmıştır. Elde edilen sonuçlar, önerilen merkezi modelin ultrason için %92.50, MRI için %90.63 ve mammografi için %92.00 doğruluk oranlarına ulaştığını ve bu değerlerin temel evrişimsel modellerin performansını aştığını göstermektedir. Ayrıca, ROC-AUC değerlerinin 0.9831 ile 0.9892 arasında olması, modelin yüksek ayırt edicilik gücüne sahip olduğunu ortaya koymaktadır. Modellerin yüksek duyarlılık değerleri, özellikle tarama uygulamaları açısından büyük önem taşımaktadır. Bu bulgular, fizik temelli ön işleme teknikleri ile desteklenen merkezi çok modlu derin öğrenme yaklaşımının, meme kanseri tanısında hem doğruluk hem de hesaplama verimliliği açısından önemli iyileştirmeler sağladığını göstermektedir. Bu tez çalışması temel olarak benign ve malign sınıflandırmasına odaklanmakla birlikte, bazı veri setlerinde normal örneklerin de analizi gerçekleştirilmiştir. Normal örneklerin dahil edilmesi, model performansının daha kapsamlı değerlendirilmesine katkı sağlamış ve sistemin genel sağlamlığını artırmıştır.
Özet (Çeviri)
Breast cancer is one of the top causes of cancer deaths in women worldwide which has led to an increased need for accurate, reliable, and computer-aided diagnostic tools for this disease to reduce mortality rates. The use of deep learning techniques for medical imaging has shown great promise; however, studies have investigated modalities of imaging in isolation, restricting the generalizability and interpretation of results in a clinical setting. Therefore, the goal of this thesis is to provide a centralized multi-modal deep learning system that integrates the three modalities of imaging into a collaborative binary classification system (benign versus malignant) to help alleviate some of these constraints. The research was performed on each imaging modality and their respective preprocessing techniques. Each imaging modality has its own unique noise (speckle in ultrasound) and image quality issues; thus the preprocessing steps differ. Ultrasound imaging used a bilateral filtering process in areas of high noise to maintain tumor edge sharpness and allow for improved visualizations. Magnetic resonance imaging is accomplished through the use of a 2D slice-based approach with initial Key Slice Extraction that identifies the perfect representation of the tumor slice followed by N4 bias field correction and Otsu's thresholding to produce images of constant intensity. This will enable the use of 2D Convolutional Neural Networks and result in reduced computational costs in comparison to 3D processing. High image resolution in mammograms allows for the identification of small calcification patterns that aid in diagnosing breast cancer. Preprocessing for mammography is focused on preserving image quality so that the diagnosis can be made accurately. To enhance the quality of Feature Extraction (FX) and to improve the generalization performance of image classification, we used Transfer Learning with Residual Networks (ResNet50) for both ultrasound and mammography images, and DenseNet (DenseNet121) for MRI images. The results of our evaluation confirmed that the new centralized models produced accuracies greater than 92.50% for ultrasound, 90.63% for MRI, and 92.00% for mammography, all of which exceeded baseline convolutional models in accuracy. The models also exhibited high levels of discrimination with ROC-AUC values ranging from 0.9831-0.9892 and demonstrated high levels of sensitivity necessary for screening purposes. These results confirm that the use of physics-informed preprocessing with centralized multi-modal deep learning significantly increases the robustness of the diagnostic process as well as computational efficiency and consistency across modalities in breast cancer classification. This thesis will primarily focus on performing a binary classification (benign vs malignant) but also includes the analysis of normal samples in some of the datasets. The inclusion of normal cases contributed to the additional assessment/analysis of the framework and thus created a more complete evaluation of model performance by enhancing the robustness of the overall evaluation system.
Benzer Tezler
- Designing a smart security framework for software defined networks
Yazılım tanımlı ağlar için akıllı güvenlik çerçevesinin tasarlanması
HANİ ELUBEYD
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILTAŞ KAPLAN
- Yazılım tanımlı ağlarda DDoS saldırılarının erken tespiti için derin öğrenme tabanlı bir füzyon yaklaşımı
A deep learni̇ng-based fusi̇on approach for early detecti̇on of DDoS attacks i̇n software-defi̇ned networks
BÜŞRA ÖZDOĞAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMAL KOÇAK
- Fedopenhar: Federated multi-task transfer learning for sensor-based human activity recognition
Fedopenhar: Sensör-tabanlı insan aktivitesi tanımlama için federe çok-hedefli öğrenme aktarımı
EGEMEN İŞGÜDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAHRİ ATAY ÖZGÖVDE
- İHA destekli ağlarda kapsama ve alan kullanımı verimliliği için öğrenmeye dayalı dinamik konumlandırma
Learning-based dynamic positioning for coverage and area utilization efficiency in UAV-assisted networks
ERDİ KAYA
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ AR
DR. ÖĞR. ÜYESİ ELİF HAYTAOĞLU
- Federated MRI reconstruction with deep generative models
Derin üretken modeller ile federe MRG rekonstrüksiyonu
GÖKBERK ELMAS
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR