Analysis of breast cancer classification robustness with radiomics feature extraction and deep learning techniques
Radyomik özellik ekstraksiyonu ve derin öğrenme teknikleri ile meme kanseri sınıflandırma sağlamlığının analizi
- Tez No: 692087
- Danışmanlar: PROF. DR. ULUS ÇEVİK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Meme Tümörü Sınıflandırması, Radyomik, Derin Öğrenme, Breast Tumor Classification, Radiomic Features, Deep Learning
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Göğüs kanserinin teşhisi ve göğüs görüntüleme işlemlerinde tipik olarak, mamografi, MRI ve Ultrason gibi çeşitli görüntüleme araçları kullanılarak gerçekleştirmektedir. Ancak, Ultrason ve mamografinin görüntülemelerinin sınırlamaları vardır. MRG ise diğer kullanılan yöntemlere göre daha iyidir. Görüntü analizine uygulanan Radiomics gibi son zamanların hesaplama yaklaşımları, teşhis zorluklarını ortadan kaldırmak için dikkate değer bir ilerleme göstermiştir. Bu tez, meme tümörü sınıflandırmasının sağlamlığını özellik çıkarma (radyomik) ve özelliksiz yöntem (derin öğrenme) ile analiz etmektedir. İki ana bölümden meydana gelmektedir: ilk bölüm, radyomik temelli adımlar araştırıldı ve on uygun uygulamalar gerçekleştirilmişti. Görüntü üzerinden, birinci derece ve üç ayrı ikinci derece metrikten oluşan 74 radyomik özelliklerini türetebilmek için toplam 111 tümör lezyon görüntüsü kullanılmıştır. Destek vektör makine algoritmasından dört farklı çekirdek ile tümör lezyonlarını sınıflandırmak için dört ayrı özellik ilişkilendirmesi kullanılmıştır. İkinci dereceden tanımlanmış veri bölümleme analizi ile %96,17'lik en yüksek doğrulukla daha iyi sonuçlar ortaya koymuştur. Burada tüm özelliklerin kombinasyonları veri bölümleme ile de %96,08 doğruluk başarısı göstermiştir. Karışıklık matrisi analizinde, SVM-RBF çekirdeği, iki ayrı kombinasyon veri grubu analizinde maksimum %97.06 doğrulukla optimum tanı verimliliğini geliştirdi. İkinci bölümde de ise, derin öğrenme tekniklerinden InceptionV3 ve CNN-SVM kullanılmıştır. Modelleri oluşturmak için toplam 2998 görüntü kullanmıştır. Bu bölümde, CNN-SVM modeli, önceden eğitilmiş InceptionV3'ün yalnızca 0,932'lik bir AUC elde ettiği, 0,974'lük bir AUC ile en yüksek doğruluğu %95,28'e ulaşmıştır.
Özet (Çeviri)
The diagnostic of breast cancer and breast imaging procedures are typically carried out using a variety of imaging modalities, including mammography, MRI, and Ultrasound. However, Ultrasound and mammography have limitations. MRI is better than other procedures. Recent computational approaches, such as the Radiomics applied to image analysis, have shown remarkable progress for removing diagnostic difficulties. This thesis analyzed the robustness of breast tumor classification with features extraction (radiomics) and featureless method (deep learning). It contains two stages: the first stage introduced and explored radiomics based steps. A total of 111 tumor lesions were used to derive 74 radiomic features consisting of shape, first-order, and three separate second-order metrics. Four separate associations of features were used to classify tumor lesions with four different kernels from support vector machine algorithm. Second-order defined data split showed better cross-validation performance with highest accuracy of 96.17%, where all feature combinations data split showed 96.08% accuracy. In the confusion matrix analysis, the SVM-RBF kernel developed optimal diagnostic efficiency with a maximum test accuracy of 97.06% on two separate combination data group analysis. The second stage developed with deep learning techniques (InceptionV3 and CNN-SVM). A total of 2998 images were used to create the models. In this portion, the CNN-SVM model achieved the highest accuracy, 95.28%, with an AUC of 0.974, where the pre-trained InceptionV3 achieved an AUC of only 0.932. Finally, the obtained result in both stages was discussed together and other related studies.
Benzer Tezler
- Analysis of cancer dataset with statistical learning
Kanser veri setinin istatistiksel öğrenme ile analizi
ASMAA SALIM HUSSAIEN ALWAZY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM BUYRUKOĞLU
DR. ÖĞR. ÜYESİ GONCA BUYRUKOĞLU
- A comparative analysis of deep learning architectures for breast cancer detection in ultrasound imaging
Ultrason görüntülemede meme kanserinin tespitine yönelik derin öğrenme mimarisinin karşılaştırmalı bir analizi
MUHAMMAD ARSALAN IRSHAD
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. YUSUF ÖZTÜRK
- Analysis of CHRNA5 expression in breast cancer cell lines in response to serum starvation and estrogen treatment
CHRNA5 ifadesinin meme kanseri hücre hatlarında analizi ve serum açlığı ile östrojene cevabı
AZER AYLİN AÇIKGÖZ
Yüksek Lisans
İngilizce
2013
Biyolojiİhsan Doğramacı Bilkent ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
YRD. DOÇ. DR. ÖZLEN KONU
- Veri madenciliği teknikleri ile meme kanseri tahmini için mammogram görüntülerinin analizi
An analysis of mammogram imagesfor breast cancer predictionusing data mining techniques
MOHAMMED I.F MANSOUR
Yüksek Lisans
İngilizce
2020
Mekatronik MühendisliğiSakarya ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. MUSTAFA ÇAĞRI KUTLU
- Multi class breast cancer classification from multi magnification scales using histopathological images
Çok sınıf meme kanseri sınıflandırması istatistik görüntüleri kullanan çoklu büyütme ölçeği
MUHAMMAD ZUNAIR ZULFIQAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Bilim Dalı
YRD. DOÇ. DR. SHAHRAM TAHERI