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: Belirtilmemiş.
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
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Breast cancer diagnosis in histopathological images using autoencoder-enhanced convolutional neural network
Histopatolojik görüntülerde meme kanseri teşhisi için otokodlayıcı ile geliştirilmiş evrişimsel sinir ağı kullanımı
İSMAİL İÇME
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- 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
HANEEN QUSAY MAWLOOD
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RÜYA YILMAZ
- Meme kanseri tanısı için gelişmiş yapay zeka tabanlı çok aşamalı tespit sistemi
Advanced artificial intelligence based multi-stage detection system for breast cancer diagnosis
ABDUL SAMAD
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- 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