Mamografi görüntüleri kullanarak evrişimsel sinir ağı tabanlı meme kanserinin erken tespiti
Convolutional neural network based early detection of breast cancer using mammography images
- Tez No: 943793
- Danışmanlar: DOÇ. DR. UÇMAN ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Dünya Sağlık Örgütü (WHO) verilerine göre, meme kanseri kadınlarda en yaygın kanser türüdür ve bu türden kaynaklanan ölüm oranları da oldukça yüksektir. Meme kanserinin doğru ve zamanında tespiti, tedavi sürecinin başarısını doğrudan etkileyen kritik bir faktördür. Geleneksel mamografi ve görüntüleme yöntemleri, radyologların deneyimlerine bağlı olarak farklılık gösterebilir; bu da yanlış pozitif veya negatif sonuçların ortaya çıkmasına yol açabilir. Bu bağlamda, yapay zeka ve derin öğrenme teknolojilerinin entegrasyonu, kanser teşhisinde önemli bir gelişme sağlamaktadır. Derin öğrenme algoritmaları, büyük veri setlerini işleyebilme ve öğrenme yetenekleri sayesinde, mamografi görüntülerindeki anormallikleri tanımada yüksek doğruluk oranları sunmaktadır. Bu çalışmanın amacı, meme kanseri teşhisinde derin öğrenme tabanlı sınıflandırma sistemlerinin doğruluğunu ve güvenilirliğini artıran yeni bir model geliştirmektir. Breast Cancer Ensemble Convolutional Neural Network (BCECNN) modeli, AISSLab veri kümesi kullanılarak geliştirilmiştir. Model, beş farklı derin öğrenme mimarisinin (AlexNet, VGG16, ResNet-18, EfficientNetB0, XceptionNet) çıktılarının çoğunluk oylaması (majority voting) yöntemiyle birleştirildiği üçlü (TECNN) ve beşli (FECNN) ensemble yapıları kullanmaktadır. Bu metodoloji, her bir ağın güçlü yönlerini bir araya getirerek daha doğru ve güvenilir tahminler elde etmeyi amaçlamaktadır. Model, aşırı öğrenme problemini engellemek ve genelleme kapasitesini artırmak için transfer öğrenme teknikleri ile optimize edilmiştir. Transfer öğrenme, modelin sınırlı veri ile daha iyi sonuçlar elde etmesini sağlayarak, eğitimin daha verimli hale gelmesine katkı sağlamaktadır. BCECNN modelinin performansı, AISSLab veri kümesinden beş farklı sınıflandırma alt kümesi oluşturularak (AISSLab-v1, AISSLab-v2, AISSLab-v3, AISSLab-v4, AISSLab-v5) kapsamlı bir şekilde değerlendirilmiştir. Bu testler, modelin doğruluğunu, güvenilirliğini ve genellenebilirliğini farklı klinik senaryolar altında analiz etmeyi sağlamıştır. Sonuçlar, BCECNN modelinin %98,75 doğruluk oranına ulaştığını ve mevcut literatürdeki en başarılı modellerden biri olduğunu göstermektedir. Bu, modelin meme kanseri teşhisinde oldukça etkili bir araç olabileceğini ve klinik uygulamalarda güvenle kullanılabileceğini ortaya koymaktadır. Modelin önemli katkılarından biri de Açıklanabilir Yapay Zeka (XAI) tekniklerinin entegrasyonudur. Gradyan Ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) ve Yerel Yorumlanabilir Modelden Bağımsız Açıklamalar (LIME) gibi açıklanabilirlik yöntemleri kullanılarak, modelin karar süreçleri şeffaflaştırılmıştır. Bu sayede klinik uzmanlar, modelin hangi görüntü bölgelerini kritik olarak değerlendirdiğini görselleştirebilmiş ve modelin kararlarının güvenilirliğini daha iyi analiz edebilmiştir. Açıklanabilir yapay zeka desteği, klinik uzmanların modelin sonuçlarına duyduğu güveni artırmakta ve modelin klinik karar destek sistemlerinde kullanılabilirliğini kolaylaştırmaktadır. Sonuç olarak, BCECNN modeli, yüksek doğruluk oranı, açıklanabilir yapay zekâ desteği ve klinik uygulanabilirlik açısından önemli avantajlar sunmaktadır. Modelin, yapay zekâ tabanlı klinik karar destek sistemlerinin gelecekteki kullanımına katkı sağlayacak büyük bir potansiyeli vardır. Bu çalışma, derin öğrenme tekniklerinin meme kanseri teşhisi gibi kritik sağlık sorunlarında etkili bir şekilde kullanılabileceğini ve yapay zekâ uygulamalarının sağlık sektöründe nasıl daha verimli hale getirilebileceğini ortaya koymaktadır. Bu bağlamda, geliştirilen BCECNN modeli, sağlık alanında yapay zekâ tabanlı sistemlerin klinik uygulamalara entegrasyonunu destekleyecek önemli bir adım teşkil etmektedir.
Özet (Çeviri)
According to World Health Organisation (WHO) data, breast cancer is the most common type of cancer in women and the mortality rate from this type is very high. Accurate and timely detection of breast cancer is a critical factor that directly affects the success of the treatment process. Traditional mammography and imaging methods can vary depending on the experience of radiologists, which can lead to false positive or negative results. In this context, the integration of artificial intelligence and deep learning technologies provides a significant improvement in cancer diagnosis. Deep learning algorithms offer high accuracy rates in recognising abnormalities in mammography images thanks to their ability to process and learn from large data sets. The aim of this study is to develop a new model that improves the accuracy and reliability of deep learning based classification systems in breast cancer diagnosis. The Breast Cancer Ensemble Convolutional Neural Network (BCECNN) model was developed using the AISSLab dataset. The model uses triple (TECNN) and quintuple (FECNN) ensemble structures in which the outputs of five different deep learning architectures (AlexNet, VGG16, ResNet-18, EfficientNetB0, XceptionNet) are combined by majority voting. This methodology aims to obtain more accurate and reliable predictions by combining the strengths of each network. The model is optimised with transfer learning techniques to avoid the overfitting problem and to increase its generalisation capacity. Transfer learning enables the model to obtain better results with limited data, thus contributing to more efficient training. The performance of the BCECNN model was extensively evaluated by creating five different classification subsets from the AISSLab dataset (AISSLab-v1, AISSLab-v2, AISSLab-v3, AISSLab-v4, AISSLab-v5). These tests allowed to analyse the accuracy, reliability and generalisability of the model under different clinical scenarios. The results show that the BCECNN model achieves an accuracy of 98.75% and is one of the most successful models in the current literature. This shows that the model can be a highly effective tool in breast cancer diagnosis and can be used safely in clinical applications. One of the important contributions of the model is the integration of Explainable Artificial Intelligence (XAI) techniques. By using explainability methods such as Gradient Weighted Class Activation Mapping (Grad-CAM) and Locally Interpretable Model Independent Explanations (LIME), the decision processes of the model are made transparent. In this way, clinical experts were able to visualise which image regions were considered critical by the model and better analyse the reliability of the model's decisions. The support of explainable artificial intelligence increases the confidence of clinical experts in the results of the model and facilitates the use of the model in clinical decision support systems. In conclusion, the BCECNN model offers significant advantages in terms of high accuracy, explainable artificial intelligence support and clinical applicability. The model has great potential to contribute to the future use of artificial intelligence-based clinical decision support systems. This study demonstrates how deep learning techniques can be effectively used in critical health problems such as breast cancer diagnosis and how artificial intelligence applications can be made more efficient in the health sector. In this context, the developed BCECNN model constitutes an important step to support the integration of artificial intelligence-based systems into clinical applications in healthcare.
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
- 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
- Analyzing breast cancer using thermography and convolutional neural networks
Termografi ve evrişimsel sinir ağları ile meme kanseri analizi
HUSHANG JAWZAL
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. SAMİ EKİCİ
- Dinamik kontrastlı manyetik rezonans görüntülerinde bilgisayarlı meme kanseri sınıflandırması
Computerized breast cancer classification in dynamic contrast magnetic resonance images
AHMET HAŞİM YURTTAKAL
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERBAY
- Histopatolojik meme kanseri görüntülerinin evrişimsel sinir ağları kullanılarak sınıflandırılması
Classification of histopathological breast cancer images using convolutional neural networks
ZEHRA KADİROĞLU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN DENİZ