Geri Dön

Development web based system to recommend artificial intelligence methods and evaluation models for cancer diagnosis and prognosis

Önerilen web tabanlı sistemin geliştirilmesi yapay zeka yöntemleri ve değerlendirmes kanser tanı ve progno için modeller

  1. Tez No: 859200
  2. Yazar: ADEJUMO DOLAPO
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ILHAM HUSEYINOV
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: derin öğrenme, meme kanseri, meme tümörlerinin sınıflandırılması, çok katmanlı Perceptron ağı, evrişimli sinir ağı, deep learning, breast cancer, classification of breast tumors, multilayer Perceptron network, convolutional neural network
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 47

Özet

Meme kanseri dünya çapında milyonlarca kadını etkileyen yaygın ve potansiyel olarak ölümcül bir hastalıktır. Başarılı tedavinin ve daha iyi hasta sonuçlarının anahtarı, erken ve kesin tanıdır. Derin öğrenme teknikleri, özellikle evrişimli sinir ağları (CNN'ler), diğer hastalıkların yanı sıra meme kanserini teşhis etme ve prognozunu belirleme yeteneğiyle son yıllarda tıbbi görüntü işlemede inanılmaz bir potansiyel ortaya koydu. Bu çalışma, mamografi resimlerini analiz etmek ve meme kanseri tespitini ve tahminini geliştirmek için CNN'lerin kullanılmasına odaklanmaktadır. Çalışmada çeşitli kaynaklardan alınan hem iyi huylu hem de kötü huylu mamogramları içeren heterojen bir veri seti kullanıldı. Meme kanserini tespit etmek için, kanser belirtisi olabilecek küçük kalıpları ve anormallikleri tespit etmeye odaklanarak önceden eğitilmiş bir CNN mimarisini geliştirdik. Sonuçlar, CNN'nin %92 duyarlılık ve %89 özgüllük ile geleneksel tekniklerden daha iyi performans göstermesiyle tanısal doğrulukta önemli bir artış olduğunu gösterdi. CNN'in öngörü gücünü değerlendirmek için uzun bir süre boyunca meme kanseri tanısı alan bir grup hastayı gözlemledik. Model, alıcı işletim karakteristiği (ROC) eğrisinin altında 0,94'lük bir alanla, tahmin sonuçlarında dikkate değer düzeyde bir hassasiyet sergiledi. Bu, CNN'in meme kanserinin nasıl ilerleyeceğini doğru bir şekilde tahmin edebileceği ve hastalar için kişiselleştirilmiş tedavi rejimleri oluşturulmasına yardımcı olabileceği anlamına geliyor. Değerlendirme metrikleri şunları içeriyordu: doğruluk, kesinlik, hatırlama ve F1 puanı. CNN, pozitif vakaları tespit etmek ile yanlış pozitifleri azaltmak arasında bir denge kurma kapasitesini vurgulayarak, metrikler arasında dikkate değer bir puan değerlendirmesi yelpazesi ortaya koydu. Özetle, CNN'lerin meme kanserinin teşhisi ve prognozu için kullanılması tıbbi glörüntüleme alanında devrim niteliğinde bir gelişmedir. Ampirik kanıtlar, derin öğrenmenin teşhis hassasiyetini artırabileceğini ve hasta sonuçlarını tahmin edebileceğini gösteriyor. Çalışma, modelin meme kanseriyle ilişkili küçük düzensizlikleri somut sayısal veriler aracılığıyla tespit edebildiğini gösteriyor. Bu bulgular, CNN'lerin klinik uygulamaya dahil edilmesini kolaylaştırarak radyologlar ve onkologlar için daha kesin ve kişiselleştirilmiş meme kanseri bakımı sağlama çabalarında değerli bir araç sağlar.

Özet (Çeviri)

Breast cancer is a common, potentially fatal illness that affects millions of women worldwide. The key to successful therapy and better patient outcomes is an early and precise diagnosis. Deep learning techniques, in particular convolutional neural networks (CNNs), have demonstrated incredible potential in medical image processing in recent years, with the ability to diagnose and prognosticate breast cancer among other conditions. This study focuses on using CNNs to analyze mammography pictures and improve breast cancer detection and prediction. The study used a heterogeneous dataset that included both benign and malignant mammograms from various sources. To detect breast cancer, we improved a pre-trained CNN architecture by concentrating on spotting minute patterns and anomalies that could be signs of cancer. The results showed a significant increase in diagnostic accuracy, with the CNN outperforming conventional techniques with a sensitivity of 92% and a specificity of 89%. To assess the CNN's predictive power, we observed a group of patients who had received a breast cancer diagnosis over an extended period. The model exhibited a notable level of precision in forecasting results, with an area under the receiver operating characteristic (ROC) curve of 0.94. This implies that CNN can accurately predict how breast cancer will progress and help create individualized treatment regimens for patients. The evaluation metrics comprised the following: accuracy, precision, recall, and F1-score. CNN demonstrated a remarkable range of score evaluation amongst the metrics, highlighting its capacity to achieve a balance between detecting positive cases and reducing false positives. In summary, the use of CNNs for the diagnosis and prognostication of breast cancer is a revolutionary development in the realm of medical imaging. Empirical evidence suggests that deep learning can enhance diagnostic precision and forecast patient results. The study demonstrates that the model may detect small irregularities associated with breast cancer through tangible numerical data. These findings facilitate the incorporation of CNNs into clinical practice, providing a valuable instrument for radiologists and oncologists in their endeavor to achieve more precise and individualized breast cancer care.

Benzer Tezler

  1. Cep telefonu üzerine bir araştırma ve tasarım

    Başlık çevirisi yok

    ZEYNEP AKDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1996

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. LATİFE K. GÜRER

  2. Türkiye için iklim değişikliğine karşı sektörel bazlı uyum faaliyetleri önerileri

    Suggestions for sectoral based climate change adaptation practises for Turkey

    DENİZ TEKTEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE GÜL TANIK

  3. Web tabanlı mezun önerme sistemi

    Web based graduate recommender system

    RAŞİT GALİP GÜÇLÜOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. METİN ZONTUL

  4. Yeni planlı alanlar imar yönetmeliğine göre yeni yapı ruhsatı alma sürecinde bir kontrol sistemi önerisi

    A new proposed control system for the new building permit process according to the new planned zoned bylaws

    HAZAL KAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜRKAN EMRE GÜRCANLI

  5. Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini

    Student academic performance prediction using machine learning algorithms

    AIGERIM SULTANALI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. HASAN ÇAKIR