Erken dönem meme kanseri tanılaması için termal görüntülerin derin öğrenme ile sınıflandırılması
Classification of thermal images with deep learning for early stage breast cancer diagnosis
- Tez No: 743769
- Danışmanlar: PROF. DR. MEHMET ENGİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Meme kanseri kadınlarda en yaygın görülen kanser tiplerinden birisi olmakla birlikte, erken teşhis edilememesi hasta için ölümcül sonuçlar doğurabilmektedir. Günümüzde farklı görüntüleme teknikleri meme kanseri teşhisinde ve taramasında kullanılmaktadır. Bu çalışmada meme termal görüntülerinin kanser safhalarına göre sınıflandırılması yapılacağından, ResNet50 mimarisinin önceden eğitilmiş bir modeli seçilerek transfer öğrenmesi tekniği kullanılmıştır. Bu sayede büyük genel amaçlı veri setiyle eğitilmiş bir model değiştirilip yeni görüntüler ile eğitilerek amaca özelleştirilmiştir. 100 adet COMSOL Multiphysics ile oluşturulmuş görüntülerden %15'i test için ayrılırken geri kalan kısmın %70'i eğitim için, %30'u doğrulama için kullanılmıştır. Eğitim için kullanılan görüntüler, görüntü çoğaltma teknikleri kullanılarak, 4 katına çıkarılmıştır. Aynı zamanda Visual Lab veri setinden alınan hazır ve kısmen etiketlenmiş 88 sağlıklı ve 40 hasta kişiden farklı açılarda çekilmiş 2183 sağlıklı ve 987 adet hasta olmak üzere toplam 3170 adet görüntüden her bir kişi için birer adet rastgele görüntü test görüntüsü için ayrılmıştır. Geri kalan görüntülerin yine %70'i eğitim için kullanılırken, %30'u doğrulama için kullanılmıştır ve eğitim için kullanılan görüntülere yine aynı çoğaltma teknikleri kullanılmıştır. Bu görüntülerde kanserin hangi safhada olduğu bir doktor tarafından sınıflandırılmadığı için elimizdeki veri setini sadece kanser var ve yok olarak ikiye ayırabiliriz. Çalışmaların tümünde değiştirilmiş bir ResNet50 modeli kullanılmaktadır. Model değiştirilirken yumuşatma katmanı (softmax), sınıflandırma katmanı (classification) ve tam bağlantılı katman (fully connected layer) gereksinimlere göre değiştirilmiştir. Sonrasında farklı parametre setleri ile iki farklı deney seti hazırlanarak veri setleri ile değiştirilmiş ResNet50 modeli eğitilmiştir. COMSOL Multiphysics programıyla oluşturulmuş ilk deney setindeki 5 eğitimi de test ettiğimizde en yüksek doğruluk değeri %100 olmuştur. Öte yandan bu eğitilmiş model ile gerçek kişilerden alınıp bölgesel bölütleme yapılmış görüntüler test edildiğinde, sağlıklı kişilerden alınan görüntülerde en iyi sonuç %50 oranında doğru sonuç vermişken, hasta kişilerden alınmış görüntüler erken evre ve ileri evre olarak etiketli olmadıkları için doğruluğundan söz edilememektedir. İkinci deney setinde ise Visual Lab veri seti yine görüntü çoğaltma uygulanarak model eğitilmiştir. Bu eğitilmiş veri setiyle gerçek veriler test edildiğinde ise en yüksek test doğruluğu %98,44 olmuştur. Bu iki deney seti üzerinde yapılan çalışma ile oluşturulan yeni model, sınıflandırılmış veri girişine hazır bir yapay sinir ağı olarak karşımıza çıkmaktadır.
Özet (Çeviri)
Breast cancer is one of the most common cancer types in women, and failure to early detection can have fatal consequences for the patient. Today, different imaging techniques are used to diagnose and screen breast cancer. Since, in this study, thermal breast images will be classified according to cancer stages, the transfer learning technique was used by selecting a pre-trained model of the ResNet50 architecture. In this way, a model trained with a large general-purpose data set was modified and customized for the purpose by training with new images. Of the 100 images created with COMSOL Multiphysics, 15% of these images were reserved for testing, while 70% of the rest were used for training, while 30% were used for validation. The images used for training were quadrupled using data augmentation techniques. At the same time, one random image for each person was reserved for the test image from a total of 3170 images, 2183 healthy and 987 patients, taken at different angles from 88 healthy and 40 patient individuals, which are ready and partially labelled, taken from the Visual Lab dataset. Again, 70% of the remaining images were used for training, 30% were used for validation, and the same augmentation techniques were used on training set. Since the cancer stage is not classified by a medical doctor in these images, we can only divide the data set we have into two cancer and non-existent. A modified ResNet50 model is used in all studies. While changing the model, softmax layer, classification layer and fully connected layers were changed according to the requirements. Afterwards, two different experimental sets were prepared with different parameter sets and the modified ResNet50 model was trained with the data. When we tested all 5 trainings in the first set of experiments created with the COMSOL Multiphysics program, the highest accuracy value was 100%. On the other hand, when images taken from real people and regionally segmented were tested with this trained model, the best result was 50% accurate in images taken from healthy people. In contrast, images taken from sick people cannot be said to be accurate because they are not labelled as an early stage or advanced stage. When real data were tested with this trained data set, the highest test accuracy was 98.44%. The new model, created by the study on these two sets of experiments, emerges as an artificial neural network ready for classified data entry.
Benzer Tezler
- Termal görüntü analizi ile tümörlerin erken tanılanması
Early detection of tumors with thermal imaging analysis
CANSU HİDAYET KELEBEK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ENGİN
- Microwave dielectric property characterization with open-ended coaxial probe and sensing depth analysis of the probes for biological tissues
Açık uçlu koaksiyel prob ile mikrodalga dielektrik özellik tanımlaması ve biyolojik dokular için probların algılama derinlik analizi
CEMANUR AYDINALP
Doktora
İngilizce
2022
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUBA YILMAZ ABDOLSAHEB
- Meme tümörlerinin çok geniş bantlı radar tabanlı mikrodalga yöntemiyle tespiti
Detection of the breast tumors by ultra-wideband radar based microwave method
ALİ RECAİ ÇELİK
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED BAHADDİN KURT
PROF. DR. SELÇUK HELHEL
- Sağlığı geliştirme modelleri ile yapılan hemşirelik girişimlerinin yoksul kadınların meme ve serviks kanserine yönelik erken tanı davranışlarına etkisi
Effects of nursing interventions which is planned with the health promotion models on the early detection behaviour towards breast and cervical cancer of low income women
NİHAL GÖRDES AYDOĞDU
- Türk devriminde Celal Bayar (1918-1960)
Celal Bayar in the Turkish revolution (1918-1960)
ERKAN ŞENŞEKERCİ
Doktora
Türkçe
1999
Türk İnkılap Tarihiİstanbul ÜniversitesiAtatürk İlkeleri ve İnkılap Tarihi Ana Bilim Dalı
PROF.DR. MERAL ALPAY