Geri Dön

Meme kanserinde aksiller lenf nodu metastazı tespitinde ultrasonografi görüntüleri üzerinden yapay zekâ modeli geliştirilmesi

Development of an artificial intelligence model based on ultrasound images for the detection of axillary lymph node metastases in breast cancer

PDF İndir

  1. Tez No: 1022688
  2. Yazar: SERKAN PAKER
  3. Danışmanlar: PROF. DR. SÜLEYMAN BİLGİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Radyomikler, Segmentasyon, Transfer öğrenimi, Ultrasonografi, Yapay zeka, Radiomics, Transfer learning, Ultrasonography, Artificial intelligence
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Meme kanseri, kadınlar arasında küresel ölçekte en sık tanılanan malignite olup GLOBOCAN 2022 verilerine göre yıllık yaklaşık 2,3 milyon yeni vaka ve 670 bin ölüm belgelenmiştir. Aksiller lenf nodu metastazı (ALNM), adjuvan kemoterapi ve cerrahi yaklaşımın belirlenmesinde kritik bir faktördür; mevcut preoperatif değerlendirme yöntemi olan sentinel lenf nodu biyopsisi ise invazif niteliği ve %4,6–16,7 arasında değişen komplikasyon oranıyla klinisyenleri preoperatif noninvazif alternatiflere yöneltmektedir. Bu çalışmada, preoperatif ultrasonografi görüntülerinden ALNM tespitine yönelik bir yapay zekâ işlem hattı geliştirilmiştir. Çalışmanın toplam kapsamını 221 hastaya ait 391 orijinal ultrason görüntüsü oluşturmaktadır; bunların 111 hastadan elde edilen 145'i manuel korteks ve hilus anatomik işaretlemesine sahip olup segmentasyon eğitimi ve değerlendirmesinde kullanılmıştır. Cihaz işaretlerinin (ölçüm işaretleri, cihaz bilgileri gibi görüntü artefaktlarının) sistematik biçimde giderilmesi amacıyla LaMa tabanlı görüntü temizleme uygulanmıştır. Eğitim kümesini güçlendirmek için üretilen 246 LaMa görüntüsü yalnızca ilgili katlama eğitim kümesine dahil edilmiş, değerlendirme tarafına hiçbir LaMa görüntüsü alınmamıştır. Tüm sınıflandırma ve segmentasyon başarımları, hasta izolasyonlu beş katlı çapraz doğrulama (cross-validation) ile elde edilen havuzlanmış katlamadışı (pooled out-of-fold) tahminler üzerinden hesaplanmıştır. Korteks ve hilus bölgelerinin piksel düzeyinde ayrıştırılması için dikkat tabanlı U-Net mimarisi kullanılmıştır. Sınıflandırmada dört transfer öğrenme modeli (ResNet18, EfficientNet-B0, MobileNetV2, ConvNeXt-Tiny) ile beş klasik makine öğrenmesi modeli (XGBoost, LightGBM, Rastgele Orman, Lojistik Regresyon ve yumuşak oylama topluluğu) değerlendirilmiştir. Farklı temsil türlerinin katkısını birleştirmek amacıyla eşit ağırlıklı olasılık ortalaması ve çapraz uydurmalı istifleme (cross-fitted stacking) füzyon stratejileri uygulanmıştır. Katlamadışı değerlendirmede AttentionUNet segmentasyon modeli korteks Dice 0,763, hilus Dice 0,656 ve ortalama ön plan Dice 0,710 elde etmiştir. Bireysel derin öğrenme modellerinde en yüksek görüntü düzeyi katlamadışı AUC değeri EfficientNet-B0 ile 0,784 olarak ölçülmüştür. Klasik makine öğrenmesi modelleri arasında en iyi sonucu XGBoost (AUC 0,675) vermiştir. Çapraz uydurmalı istifleme füzyonu (EfficientNet-B0 + XGBoost) görüntü düzeyinde 0,792 katlamadışı AUC sağlarken eşit ağırlıklı olasılık ortalaması hasta düzeyinde 0,806 AUC ile en yüksek hasta düzeyi ayrımını elde etmiştir. SHAP ve Grad-CAM açıklanabilirlik analizleri ile kalibrasyon tanılaması gerçekleştirilmiştir. Çalışmada dış doğrulama yapılmamış olup raporlanan sonuçlar iç hasta izolasyonlu katlamadışı performansı temsil etmektedir.

Özet (Çeviri)

Breast cancer is the most commonly diagnosed malignancy among women worldwide, with GLOBOCAN 2022 reporting approximately 2.3 million new cases and 670,000 deaths annually. Axillary lymph node metastasis (ALNM) is a decisive factor in determining adjuvant chemotherapy and surgical approach; however, the current preoperative assessment method, sentinel lymph node biopsy, carries an invasive character and a complication rate ranging from 4.6% to 16.7%, directing clinicians toward non-invasive alternatives. This study presents an end-to-end artificial intelligence pipeline for the preoperative detection of ALNM from ultrasound images. The overall study scope comprised 391 original ultrasound images from 221 patients; within this scope, a subset of 145 images from 111 patients carried manual cortex and hilum annotations and was used for segmentation training and evaluation. LaMa-based inpainting was applied to systematically remove device markers (imaging artifacts such as measurement marks and device information), which are distinct from the expert anatomical annotations. An additional 246 LaMa-derived images were restricted to the training portion of each fold, with no synthetic image entering the evaluation side. All classification and segmentation results were computed on pooled out-of-fold (OOF) predictions obtained through patient-isolated five-fold cross-validation. An attention-based U-Net architecture was employed for pixel-level segmentation of cortex and hilum regions. In the classification branch, four transfer learning models (ResNet18, EfficientNet-B0, MobileNetV2, ConvNeXt-Tiny) and five classical machine learning models (XGBoost, LightGBM, Random Forest, Logistic Regression and a soft voting ensemble) were evaluated. Fixed equal-weight probability averaging and cross-fitted logistic stacking were applied as fusion strategies to combine the contributions of different representations. In the canonical OOF evaluation, the AttentionUNet segmentation model achieved a cortex Dice of 0.763, a hilum Dice of 0.656, and a mean foreground Dice of 0.710. Among individual deep-learning models, EfficientNet-B0 yielded the highest image-level OOF AUC of 0.784. Among the classical machine learning models, XGBoost produced the best result (AUC 0.675). Cross-fitted logistic stacking (EfficientNet-B0 + XGBoost) attained an image-level OOF AUC of 0.792, whereas fixed equal-weight probability averaging achieved the highest patient-level AUC of 0.806. SHAP and Grad-CAM explainability analyses were applied alongside calibration diagnostics. No external validation was performed; all reported results represent internal patient-isolated OOF performance.

Benzer Tezler

  1. Tez No

    447285

    Meme kanserinin preoperatif değerlendirilmesinde aksiller ultrasonografinin değeri ve sentinel nod ile uyumu

    Axillary ultrasonography can estimate patients whom don't need sentinel lymph node biopsy

    İBRAHİM HALİL ÖZATA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Genel Cerrahiİstanbul Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    PROF. DR. MAHMUT EBUDECCANE MÜSLÜMANOĞLU

    UZMAN MUSTAFA TÜKENMEZ

  2. Tez No

    224393

    Meme kanserinde aksiller diseksiyon (level I ve II) sonuçlarının değerlendirilmesinde 'isosulphan blue' kullanılarak yapılan sentinel lenf nodu biyopsisinin yeri

    The role of sentinel lymph node biopsy, done with isosulphan blue dye, in evaluation of the results of axillary lymph node dissection (level I and II) in breast cancer

    ŞAHİN KAYMAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2007

    Genel CerrahiGata

    Genel Cerrahi Ana Bilim Dalı

    PROF.DR. SADETTİN ÇETİNER

    Y.DOÇ.DR. NAİL ERSÖZ

  3. Tez No

    941932

    Meme kanserinde Ga-68 DOTA-Bombesin PET/BT'nin evreleme ve yeniden evrelemeye katkısı

    Contribution of Ga-68 DOTA-Bombesin PET/CT to staging and restaging in breast cancer

    MEHMET CAN BALOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    DOÇ. DR. ESRA ARSLAN

  4. Tez No

    331446

    Meme karsinomunda immunhistokimyasal androjen reseptör ekspresyonunun klinikopatolojik parametrelerle ilişkisi

    The relationship of immunhistochemical expression et androgen receptor with clinicopathologic parameters in breast carcinoma

    EYLEM ÇALOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2013

    PatolojiSüleyman Demirel Üniversitesi

    Tıbbi Patoloji Ana Bilim Dalı

    PROF. DR. FATMA NİLGÜN KAPUCUOĞLU

  5. Tez No

    1012578

    Erken evre meme kanserinde sentinel lenf nodu tespitinde sadece mavi boya kullanımı ile mavi boya ve radyokolloid birlikte kullanımının karşılaştırılması

    Comparison of the use of blue dye only and the use of blue dye and raiocolloid together in sentinel lymph node detection in early stage breast cancer

    NURETTİN ŞAHİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Genel CerrahiSağlık Bakanlığı

    Genel Cerrahi Ana Bilim Dalı

    PROF. DR. SELİN KAPAN

Geri Dön