Geri Dön

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

PDF İndir

  1. Tez No: 859482
  2. Yazar: MUHAMMAD ARSALAN IRSHAD
  3. Danışmanlar: Assist. Prof. Dr. YUSUF ÖZTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Antalya Bilim Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Bu çalışma, Evrişimsel Sinir Ağları (CNN), U-Net ve ResNet50'nin etkinliğini ve olası iyileştirmelerini incelemeye özel olarak odaklanarak, derin öğrenme modellerinin kullanımı yoluyla meme kanseri sınıflandırma alanını araştırmaktadır. Bu modellerin analizi, ilgili yararlarını, sınırlamalarını ve teknik karmaşıklıklarını değerlendirmek amacıyla bir meme ultrasonu veri seti üzerinde gerçekleştirilir. CNN modeli, özellikle normal vakaların tanımlanmasında olağanüstü doğruluk elde eden U-Net modelinin aksine, mütevazı bir doğruluk sergiliyor ve nispeten basit bir mimari sergiliyor. Buna karşılık ResNet50, veri kümeleri içindeki geniş bir özellik yelpazesine etkili bir şekilde uyarlanabilirlik göstererek duyarlılık ve özgüllük arasında bir denge sağlar. Her modelde gözlemlenen eğitim dinamikleri, ilgili öğrenme yeteneklerine ilişkin değerli bilgiler sağlar. Spesifik olarak, CNN modeli tutarlı yakınsama gösterir, U-Net modeli hızlı öğrenme sergiler ve ResNet50 modeli dengeli yakınsama gösterir. Bu bulgular, bu farklı modellerin makine öğrenimi ve görüntü işleme görevleri bağlamındaki performansı ve davranışları hakkında önemli bilgiler sunmaktadır. Kritik bir analiz yürütülürken performansları karşılaştırılır ve klinik uygulamalarda kesinlik ve hatırlamanın önemi vurgulanır. Teknik analiz, mimari yapılar, veri karmaşıklıkları ve eğitim dinamikleri içindeki karmaşıklıkların derinlemesine incelenmesini sağlar ve sonuçta her modelin sergilediği davranışın kapsamlı bir şekilde anlaşılmasını sağlar. Çalışma, mevcut modelleri veri kümesi büyütme, mimari iyileştirme, transfer öğrenimi, klinik doğrulama, açıklanabilirlik ve topluluk yaklaşımları dahil olmak üzere çeşitli yollarla geliştirmek için gelecekteki araştırmaları önermektedir. Başlangıçta araştırma prototipleri olarak geliştirilen bu modellerin tıbbi görüntüleme ve meme kanseri tanısı için pratik ve klinik açıdan önemli araçlara dönüştürülmesini kolaylaştırırken disiplinlerarasılığın zorunluluğunun altı çiziliyor. Bu, veri bilimcilerinin, klinisyenlerin ve görüntüleme uzmanlarının işbirlikçi çabasını gerektirir. Özetle bu çalışma, meme kanserinin sınıflandırılmasında derin öğrenme modellerinin anlaşılmasına değerli bir katkı sağlarken aynı zamanda ileriye yönelik gelişmeler için bir çerçeve sunmaktadır. Bu çalışma, tıbbi görüntüleme alanında teknik yenilik ve klinik uygulanabilirliğin yakınsamasını kolaylaştırmaktadır.

Özet (Çeviri)

This study investigates the area of breast cancer classification using deep learning models, with a specific focus on examining the efficacy and possible improvements of Convolutional Neural Networks (CNN), U-Net, and ResNet50. The analysis of these models is conducted on a breast ultrasound dataset to evaluate their respective merits, limitations, and technical complexities. The CNN model demonstrates modest accuracy and exhibits a relatively basic architecture, contrasted with the U-Net model which achieves outstanding accuracy, particularly in the identification of normal cases. Conversely, ResNet50 achieves an equilibrium between sensitivity and specificity, demonstrating effective adaptability to a broad range of features within datasets. The training dynamics observed in each model provide valuable insight into their respective learning capabilities. Specifically, the CNN model demonstrates consistent convergence, the U-Net model exhibits rapid learning, and the ResNet50 model displays balanced convergence. These findings offer important information regarding the performance and behavior of these different models in the context of machine learning and image processing tasks. In conducting a critical analysis, their performances are compared with particular emphasis placed on the significance of precision and recall in clinical applications. The technical analysis provides an in-depth examination of the intricacies within architectural structures, data complexities, and training dynamics, ultimately providing a comprehensive understanding of the behavior exhibited by each model. The study proposes future research to improve the existing models through various means, including dataset augmentation, architecture refinement, transfer learning, clinical validation, explainability, and ensemble approaches. The imperative of interdisciplinarity is underscored in facilitating the transition of these models, initially developed as research prototypes, into practical and clinically significant tools for medical imaging and the diagnosis of breast cancer. This necessitates the collaborative effort of data scientists, clinicians, and imaging experts. In summary, this study makes a valuable contribution to the comprehension of deep learning models in the classification of breast cancer, while also offering a framework for prospective advancements. This work facilitates the convergence of technical innovation and clinical applicability in the field of medical imaging.

Benzer Tezler

  1. Tez No

    896750

    A comparative study of YOLOv8 and faster R-CNN in fruit leaf disease detection for precision

    Meyve yaprağı hastalığının tespıtı ıçın YOLOv8 ve faster R-CNN metotlarının kullanımı

    ARELDI BALA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    ZiraatAntalya Bilim Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CAFER ÇALIŞKAN

  2. Tez No

    871005

    Derin öğrenme yöntemleri ile kemik kırıklarının x-ray görüntüleri üzerinden otomatik tespiti

    Automated detection of bone fractures over x-ray images with deep learning methods

    ARAN MAHDI ZEN ALABDEEN ZEN ALABDEEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektronik Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEDA ŞAHİN

  3. Tez No

    864101

    A comparative study of deep learning approaches for autonomous vehicle control

    Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması

    EMRE ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

  4. Tez No

    795955

    Deep learning and remote sensing techniques for wildfire detectionusing uni-temporal sentinel-2 satellite imagery

    Başlık çevirisi yok

    ALI MAHDI AL-DABBAGH

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMAD ILYAS

  5. Tez No

    900831

    Makine öğrenmesi yaklaşımlarından random forest regressor (RF) ve decision tree regressor (DT) modellerinin akıllı telefon fiyatlarında karşılaştırmalı analizi

    Comparative analysis of random forest regressor (RF) and decision tree regressor (DT) models from machine learning approaches on smartphone prices

    RABİA KÜTÜK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURHAN PEKTAŞ

Geri Dön