Geri Dön

Mamografi görüntülerinde meme kanserinin belirlenmesi için evrişimli sinir ağı modellerinin performanslarının incelenmesi

Examining the performance of convolutional neural network models for detecting breast cancer in mammography images

PDF İndir

  1. Tez No: 942926
  2. Yazar: BÜŞRA KURT
  3. Danışmanlar: PROF. DR. JALE KARAKAYA KARABULUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Görüntü İşleme, Derin Öğrenme, Evrişimli Sinir Ağları, Meme Kanseri, Mamografi, INbreast, Image Processing, Deep Learning, Convolutional Neural Networks (CNN), Breast Cancer, Mammography, INbreast
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Biyoistatistik Bilim Dalı
  13. Sayfa Sayısı: 81

Özet

Kurt, B., Mamografi Görüntülerinde Meme Kanserinin Belirlenmesi için Evrişimli Sinir Ağı Modellerinin Performanslarının İncelenmesi, Hacettepe Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik Programı Yüksek Lisans Tezi, Ankara, 2025. Meme kanseri, kadınlarda en sık görülen kanser türlerinden biri olup, dünya genelinde her yıl milyonlarca insanı etkilemektedir. Erken teşhis, meme kanserine bağlı ölüm oranlarının azaltılmasında hayati bir öneme sahiptir. Mamografi, meme kanserinin erken teşhisinde kullanılan temel görüntüleme yöntemlerinden biridir. Ancak, mamografi görüntülerinin analizinde yanlış pozitif ve negatif teşhis oranlarının yüksek olması, tanı sürecinin doğruluğunu etkileyebilmektedir. Bu zorlukların üstesinden gelmek için bilgisayar destekli tanı (CAD-Computer Aided Diagnosis) sistemleri geliştirilmiştir. Günümüzde, bu sistemlerde yapay zeka tabanlı derin öğrenme yöntemlerinden yararlanılmaktadır. Bu çalışmada, mamografi görüntülerinden meme kanseri teşhisi yapmak amacıyla ResNet50, DenseNet121, DenseNet201 ve CheXNet gibi farklı evrişimli sinir ağı (CNN) mimarilerinin performansları karşılaştırılmıştır. Çalışmada kullanılan görüntüler, yüksek kaliteli dijital mamografi görüntülerini içeren açık erişimli INbreast veri setinden alınmıştır. Bu veri seti, %75 eğitim ve %25 test oranında bölünmüş, görüntüler üzerinde normalize etme, boyutlandırma gibi ön işleme teknikleri uygulanmıştır. Modeller, transfer öğrenme yöntemiyle eğitilmiş ve doğruluk, duyarlılık, seçicilik, F1 skoru ve AUC gibi metriklerle değerlendirilmiştir. Araştırma sonuçları, DenseNet201 modelinin tüm metriklerde en yüksek performansı gösterdiğini ortaya koymuştur. DenseNet121 ve CheXNet modelleri dengeli bir performans sergilerken, ResNet50 modeli diğer modellere kıyasla daha düşük doğruluk oranı sunmuştur. Bu çalışma, farklı CNN mimarilerinin meme kanseri teşhisi için avantajlarını ve sınırlılıklarını karşılaştırmalı olarak ele alarak literatüre önemli bir katkı sunmaktadır. Sonuçlar, DenseNet201 modelinin meme kanseri teşhisinde en etkili model olduğunu ve klinik uygulamalarda kullanılabilecek bir seçenek sunduğunu göstermektedir.

Özet (Çeviri)

KURT, B. Determination of Breast Cancer in Mammographic Images: A Comparative Study on the Performance of Convolutional Neural Network Models, Hacettepe University, Graduate School of Health Sciences, Biostatistics Program, Master's Thesis, Ankara, 2025. Breast cancer is one of the most common cancers in women, affecting millions of people worldwide each year. Early diagnosis is vital in reducing mortality associated with breast cancer. Mammography is the primary imaging method used for early detection, yet it is susceptible to high rates of false positives and negatives, impacting the accuracy of diagnostic processes. Recently, computer-aided diagnosis (CAD) systems have increasingly utilized artificial intelligence, especially deep learning-based approaches. In this study, the performances of different convolutional neural network (CNN) architectures, including ResNet50, DenseNet121, DenseNet201, and CheXNet, were compared for the task of breast cancer detection using mammographic images. The publicly available INbreast dataset of high-quality digital mammograms was employed, along with preprocessing techniques (normalization, resizing, etc.) and data splitting (75% training, 25% testing). The models were trained via transfer learning and evaluated on accuracy, sensitivity, specificity, F1 score, and AUC metrics. Findings indicate that DenseNet201 outperforms the other models across all metrics. DenseNet121 and CheXNet also exhibit balanced performance, while ResNet50 presents relatively lower accuracy. This research provides a valuable contribution to the literature by examining both the advantages and limitations of CNN architectures for breast cancer diagnosis, suggesting DenseNet201 as a highly effective model for potential clinical applications.

Benzer Tezler

  1. Tez No

    954462

    Unet based segmentation in qualitative microwave imaging for breast cancer diagnosis

    Meme kanseri tanisi için nitel mikrodalga görüntülemenin unet tabanli segmentasyonu

    GİZEM ÜNER

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ÇAYÖREN

  2. Tez No

    323737

    Tissue density classification in mammographic images using local features

    Yerel öznitelikler ile mamografi görüntülerinde doku yoğunluğunun sınıflandırılması

    SEZER KUTLUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  3. Tez No

    346424

    Görüntü zenginleştirme ve hücresel ysa kullanarak meme kanseri teşhisi

    Diagnosis of breast cancer using image enhancement and cellular neural networks

    LEVENT CİVCİK

    Doktora

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YÜKSEL ÖZBAY

  4. Tez No

    828939

    Breast sentinel lymph node cancer detection from mammography images based on quantum wavelet transform and atrous pyramid convolutional neural network

    Başlık çevirisi yok

    MOHAMMED NAYYEF QASIM

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ BAYAT

  5. Tez No

    200441

    Lesion detection in MR mammography: NMITR maps, dynamic and morphological descriptors

    MR mamografide lezyon belirlenmesi: NMITR haritaları, devingen ve biçimsel tanımlayıcılar

    GÖKHAN ERTAŞ

    Doktora

    İngilizce

    İngilizce

    2007

    BiyomühendislikBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİL ÖZCAN GÜLÇÜR

Geri Dön