Breast cancer detection with convolutional neural network using ultrasound images
Başlık çevirisi mevcut değil.
- Tez No: 900468
- Danışmanlar: DR. ÖĞR. ÜYESİ YASEMİN ÇETİN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 68
Özet
Bu araştırma, Meme Kanserinin (MK) erken teşhisi ve tanısının iyileştirilmesi amacıyla Meme Ultrason Görüntülerinin (BUSI) sınıflandırılması ve segmentlere ayrılması için gelişmiş Evrişimsel Sinir Ağı (ESA) modellerinin geliştirilmesini ve değerlendirilmesini amaçlamaktadır. MK, en sık görülen kötü huylu tümörler arasında yer almakta ve dünya genelinde kadınlarda kansere bağlı ölümlerin en büyük ikinci nedenidir; bu da erken ve doğru tanıyı, mümkün olan en yüksek sağkalım sonuçlarıyla etkili tedavi için öncelikli bir görev haline getirmektedir. Çalışmada, erken tespit için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla BUSI veri seti kullanılmıştır. Mevcut yaklaşımlar arasında görüntülerin ön işlenmesi, veri artırımı ve transfer öğrenmesi yer almaktadır. Görüntü ön işleme bölümünde, segmentasyon, iyileştirme ve üst üste bindirme ile bazı iyileştirmeler gerçekleştirdik. Bu ön işleme adımları, geliştirilen ESA modellerinin iyi huylu dokuları kötü huylu dokulardan yüksek bir doğruluk seviyesinde ayırt edebilmesini sağlamak için gereklidir. Araştırma çalışmasında özel bir model önerildi ve bu modelin performansı doğruluk, kesinlik, geri çağırma ve F1 puanı gibi performans ölçütleriyle VGG-Net, DenseNet, EfficientNet, MobileNet, InceptionV3, Xception ve ResNet önceden eğitilmiş modelleriyle karşılaştırıldı.. Uygulanan görüntü ön işleme teknikleriyle birlikte önerilen ESA modeli tarafından elde edilen %97'lik yüksek doğruluk, bu ön işleme olmadan eğitilen modellere göre önemli ilerlemeler göstermiştir. Ayrıca, önceden eğitilmiş bir modele, geliştirilmiş ve üst üste bindirilmiş görüntülerden oluşan veri setimizle ince ayar yaparak transfer öğrenmenin etkisini inceledik. Bu yaklaşımı kullanarak dikkate değer performans iyileştirmeleri elde ettik; en iyi durumda, ulaşılan en yüksek doğruluk VGG19 ve EfficientNetB0 ile %99 oldu. Ayrıca, tıbbi görüntü analizinde son derece iyi performans gösterdiği kanıtlanmış olan U-Net mimarisini etkili görüntü segmentasyonu için test ettik. Ayrıca modeli yorumlanabilir hale getirmek için Grad-CAM'i kullandık, böylece ESA'ların karar verirken görüntülerin hangi kısımlarına odaklandığını görebiliriz. Bu yorumlanabilirlik, modellerin karar verme süreçlerine dair içgörü kazanmak ve tahminlerine güven oluşturmak için çok önemlidir. Çalışmamızın sonuçları, önerilen özel CNN modelinin etkili görüntü ön işleme teknikleriyle birleştirilmesiyle BUSI için daha gelişmiş sınıflandırma ve segmentasyona ulaşılabileceğini göstermektedir. Radyologlar tarafından MKnin erken tespitine yardımcı olma ve sonuçta hastaların durumunu iyileştirme potansiyeline sahiptir. Bu derin öğrenme metodolojileri, MK tanısı için gelişmiş, daha doğru ve güvenilir araçlar sağlamak için kullanılacaktır; bu, daha iyi sağ kalım ve tedaviye yanıt sağlamada önemlidir.
Özet (Çeviri)
This research aims to develop and evaluate advanced Convolutional Neural Network (CNN) models for classifying and segmenting Breast Ultrasound Images (BUSI) for improved early detection and diagnosis of Breast Cancer (BC). BC is among the most frequent malignancies and the second largest cause of cancer-related mortality in women globally, making early and accurate diagnosis a prime task toward effective treatment with maximal possible survival outcomes. In the study, BUSI dataset was used to train and evaluate deep learning models for early detection. The available approaches include preprocessing images, data augmentation, and transfer learning. In the image preprocessing part, we performed some enhancements with segmentation, enhancement, and overlaying. These preprocessing steps are essential to ensure that the developed CNN models can distinguish benign from malignant tissues at a high level of accuracy. In the research work, a custom model is proposed and its performance is compared with the pre-trained models VGG-Net, DenseNet, EfficientNet, MobileNet, InceptionV3, Xception and ResNet on performance metrics such as accuracy, precision, recall and F1 score. The high accuracy of 97%, achieved by the proposed CNN model in combination with the image preprocessed techniques applied, showed significant advancements over those models trained without this preprocessing. Also, we studied the impact of transfer learning by fine-tuning a pre-trained model with our dataset of enhanced and overlayed images. We obtained remarkable performance improvements using this approach; in the best case, the highest accuracy reached was 99% with VGG19 and EfficientNetB0. Furthermore, we tested the U-Net architecture for effective image segmentation since it has been proven to perform exceptionally well with medical image analysis. We further used Grad-CAM to make the model interpretable so we may see which parts of the images the CNNs focus on when making decisions. This interpretability is crucial for gaining insights into the models' decision-making processes and building trust in their predictions. The results of our study suggest that more advanced classification and segmentation for BUSI can be reached by combining the custom CNN model presented with effective image preprocessing techniques. It has the potential to help in the early detection of BC by radiologists, ultimately bettering the condition of patients. These deep learning methodologies will be used to provide advanced more accurate, and reliable tools for the diagnosis of BC—essential in ensuring better survival and response to treatment.
Benzer Tezler
- Evrışımsel sınır ağları ıle meme kanserı hıstopatolojık görüntülerının sınıflandırılması
Classification of breast cancer histopathological images with convolutional neural networks
KEVIN KIAMBE ASSA
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET BABALIK
- Superpixel assisted deep neural network for breast tumor segmentation in ultrasound images
Süperpiksel destekli derin sinir ağı ile meme ultrason görüntülerinde tümör segmentasyonu
NEFİSE UYSAL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
ÖĞR. GÖR. MURAT GEZER
- 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
- Tıbbi görüntü işleme ile akciğer grafisinde COVID-19 pozitif tespiti için veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi
Investigation of the performance of data mining and deep learning methods for COVID-19 positive detection in lung graph with medical image processing
FATMA GÜL KURT
Yüksek Lisans
Türkçe
2022
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. JALE KARAKAYA KARABULUT
- Transfer öğrenmesi tabanlı hibrit evrişimsel sinir ağı modelleri kullanılarak meme kanseri teşhisi
Breast cancer detection using transfer learning based hybrid convolutional neural network models
CHINGIZ SEYIDBAYLI
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiYıldız Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CENK ULU