Classification of breast tumor ultrasound images with artificial intelligence techniques and statistical methods
Meme tümörü ultrason görüntülerinin yapay zekâ teknikleri ve istatistiksel yöntemlerle sınıflandırılması
- Tez No: 941712
- Danışmanlar: DOÇ. DR. YENER ALTUN, PROF. DR. RİZGAR MAGHDED AHMED
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Destek vektör makineleri, Görüntü işleme, Karar ağaçları, k-en yakın komşu, Meme tümörü, Ultrason, Yapay sinir ağları, Artificial neural networks, Breast tumor, Decision trees, Image Processing, k-nearest neighbors, Support vector machines, Ultrasound
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 179
Özet
Meme kanseri, erken teşhisin hasta sonuçlarını iyileştirmek için kritik öneme sahip olduğu, küresel bir sağlık sorunu olarak kalmaya devam etmektedir. Girişimsel olmayan bir tanı aracı olan ultrason görüntüleme, tümör özelliklerine dair değerli bilgiler sunmaktadır. Ancak, görsel özelliklerin örtüşmesi nedeniyle iyi huylu ve kötü huylu tümörleri ayırt etmede zorluklar yaşanmaktadır. Yapay zeka (YZ) teknikleri, tıbbi görüntülemede sınıflandırma doğruluğunu artırmada umut vaat etmektedir. Bu çalışma, ultrason görüntülerinden meme tümörlerini sınıflandırmada dört YZ modelinin Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve k-En Yakın Komşu (k-NN) etkinliğini araştırmaktadır. Çalışmada, her biri 150 iyi huylu ve 150 kötü huylu olmak üzere toplamda 300 ultrason görüntüsünden oluşan bir veri seti, her bir YZ modelinin değerlendirilmesi için kullanılmıştır. Sonuç olarak, YSA %87.78 ile en yüksek doğruluğu sağlarken, DVM %86.67, KA %83.33 ve k-En Yakın Komşu %72.22 bunu takip etmiştir. Özgüllük en yüksek DVM için %95.56, duyarlılık ise YSA için %86.67 olarak tespit edilmiştir. YSA, ayrıca %88.64 ve %86.96 ile pozitif ve negatif öngörü değerlerinde de olumlu sonuçlar vermiştir. Eğri Altındaki Alan (EAA) değerleri YSA %87.80 ve DVM %86.70 için güçlü bir performans göstermiş, k-En Yakın Komşu ise çoğu metrikte en düşük performansı sergilemiştir. Son olarak, bu çalışma, kötü huylu tümörlerin iyi huylu tümörlere kıyasla daha fazla heterojenlik ve düzensizlik sergilediğini, iyi huylu tümörlerin ise daha yuvarlak bir yapıya sahip olduğunu ortaya koymaktadır. Bulgular, YSA ve DVM'nin meme tümörü sınıflandırmasında sağlam doğruluk ve güvenilirlik sunduğunu ve KA ile k-NN'nin üzerinde bir performans gösterdiğini ortaya koymaktadır.
Özet (Çeviri)
Breast cancer remains a significant global health concern, where early diagnosis is crucial for improving patient outcomes. Ultrasound imaging, a non-invasive diagnostic tool, provides valuable insights into tumor characteristics. However, it presents challenges in distinguishing between benign and malignant tumors due to overlapping visual features. Artificial intelligence (AI) techniques have shown promise in enhancing classification accuracy within medical imaging., This study investigates the effectiveness of four AI models Artificial Neural Networks (ANN), Support Vector Machines (SVM), Decision Trees (DT), and k-Nearest Neighbors (k-NN) in classifying breast tumors from ultrasound images. Therefore, a dataset of 300 ultrasound images, evenly split between 150 benign and 150 malignant cases, was used to evaluate each AI model. Consequently, results indicate that ANN achieved the highest accuracy at 87.78%, followed by SVM 86.67%, DT 83.33%, and k-NN 72.22%. Specificity was highest for SVM at 95.56%, while sensitivity peaked for ANN at 86.67%. ANN also yielded favorable results in positive and negative predictive values, at 88.64% and 86.96%, respectively. The Area Under the Curve (AUC) values demonstrated strong performance for both ANN 87.80% and SVM 86.70%, whereas k-NN showed the lowest performance across most metrics. Finally, this study further reveals that malignant tumors exhibit greater heterogeneity and irregularity in shape compared to benign tumors, while benign tumors tend to display a greater degree of roundness. Then, the findings suggest that ANN and SVM provide robust accuracy and reliability for breast tumor classification, outperforming DT and k-NN.
Benzer Tezler
- 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
- 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
- Kanser sınıflandırması için hibrit modeller: Konvolüsyonel sinir ağlarının transformatörlerle birleştirilmesi
Hybrid models for cancer classification: Combining convolutional neural networks with transformers
FIEZ HUSSEIN KHLEAF
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN EMRAH
- 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
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT