MRI görüntüleri kullanılarak meme kanseri teşhisi için derin öğrenme yaklaşımı
Deep learning approach for breast cancer diagnosis using MRI images
- Tez No: 938795
- Danışmanlar: DOÇ. DR. İBRAHİM ÖNDER YENİÇERİ, DR. ÖĞR. ÜYESİ SELİM YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Çalışmanın amacı, derin öğrenme yöntemlerinin kullanıldığı bir meme kanseri tespit ve sınıflandırma sistemi oluşturmaktır. Odak noktası, malign (kötü huylu) ve benign (iyi huylu) tümörlerin doğru bir şekilde tespit edilmesi ve sınıflandırılmasıdır. Bu bağlamda evrişimli sinir ağları (ESA) kullanılmıştır ve oluşturulan modelin performansını değerlendirmek amacıyla VGG-16 Net ve DenseNet modelleri ile karşılaştırma yapılmıştır. Çalışmanın ilk aşamasında malign ve benign tümörlerin görüntülerini içeren uygun bir veri kümesi oluşturulması amacıyla MR görüntüleri toplanmış ve incelenmiştir. Bu veri kümesi, evrişimli sinir ağlarının eğitimi için hazırlanmış ve uygun hale getirilmiştir. Daha sonrasında VGG16 Net ve DenseNet mimari yapılarını kullanarak tümör görüntüleri sınıflandırılmış ve sonuçlar incelenmiştir. Her iki modelin performansı, doğruluk oranı, hassasiyet, özgüllük ve F1 skoru gibi metrikler kullanılarak değerlendirilmiştir. Sonuçlar, evrişimli sinir ağlarının malign ve benign tümörlerin tespit ve sınıflandırılmasında başarılı bir şekilde kullanılabileceğini göstermiştir. Ayrıca, VGG-16 Net ve DenseNet modellerinin benzer performanslar sergilediği ve tümör sınıflandırma alanında etkili olduğu belirlenmiştir. Bu çalışmada ayrıca, görüntü füzyonu tekniği de kullanılarak farklı MRG sekanslarından gelen veriler birleştirilmiş ve bu işlem sayesinde elde edilen CNN modeli, diğer modellere kıyasla daha yüksek doğruluk ve sınıflandırma başarısı sağlamıştır. Füzyon işlemi sonucunda malign ve benign tümörlerin daha yüksek doğruluk oranlarıyla tespit edilmesi mümkün olmuştur. Bu bulgular, derin öğrenme modelleri ve füzyon tekniklerinin tıbbi görüntüleme ve teşhis süreçlerinde önemli bir araç olarak kullanılabileceğini desteklemektedir. Bu çalışma, derin öğrenme tekniklerinin tıbbi tanı alanındaki potansiyelini vurgulamakta ve gelecekteki araştırmalar için sağlam bir temel oluşturmaktadır. Elde edilen sonuçlar, klinik uygulamalarda doğruluğun artırılmasına ve yanlış pozitif/negatif oranlarının azaltılmasına yönelik önemli katkılar sunmaktadır. Bu bağlamda, çalışmanın bulguları, tıbbi görüntü analizi, yapay zeka ve görüntü füzyonu entegrasyonu konularında gelecekte yapılacak araştırmalara ışık tutmaktadır.
Özet (Çeviri)
The aim of this study is to develop a breast cancer detection and classification system using deep learning methods. The focus is on the accurate detection and classification of malignant and benign tumors. In this context, convolutional neural networks (CNN) were utilized, and the performance of the developed model was compared with VGG-16 Net and DenseNet architectures. In the first phase of the study, MR images containing benign and malignant tumors were collected and examined to create an appropriate dataset. This dataset was prepared and optimized for training convolutional neural networks. Subsequently, tumor images were classified using the VGG16 Net and DenseNet architectures, and the results were analyzed. The performance of both models was evaluated using metrics such as accuracy, precision, sensitivity, specificity, and F1 score. The results demonstrated that convolutional neural networks can be successfully employed in the detection and classification of malignant and benign tumors. Additionally, it was found that the VGG-16 Net and DenseNet models exhibited similar performances and proved to be effective in tumor classification. Moreover, in this study, image fusion techniques were employed, combining data from different MRI sequences. The CNN model developed through this fusion process yielded higher accuracy and classification performance compared to the other models. As a result of the fusion operation, it was possible to detect malignant and benign tumors with higher accuracy. These findings support the use of deep learning models and fusion techniques as powerful tools in medical imaging and diagnostic processes. This study highlights the potential of deep learning techniques in the field of medical diagnosis and establishes a strong foundation for future research. The results obtained contribute significantly to improving accuracy in clinical applications and reducing false positive/negative rates. In this context, the findings of this study shed light on future research in medical image analysis, artificial intelligence, and image fusion integration.
Benzer Tezler
- 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
- Obtain anterior/posterior position of the tumor through machine learning
Makine öğrenme yoluyla tümörün anterior/posterior pozisyonunu elde edin
GOLSHAN GHOLAMPOUR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- U-net ve sam entegrasyonu ile meme mr görüntülerinde tümör segmentasyonu ve morfolojik işlemlerle takibi
Breast mri tumor segmentation using U-net and sam integration with morphological tracking methods
ALPTUĞ ŞEREF AYYILDIZ
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Meme kanseri tespiti için sentetik mikrodalga görüntülerinin derin öğrenme odaklı segmentasyonu
Driven segmentation of synthetic microwave images for breast cancer detection
ÖZLEM BAHAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- 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
HARUN UR RASHID
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK