T1-ağırlıklı mr görüntülerinde meme tümörü tanısı için görüntü tabanlı tespit ve hasta bazlı karar iyileştirilmesinin birleştirilmesi: faster R-CNN yaklaşımı
Combining image-based detection and patient-level decision enhancement for breast tumor diagnosis using t1-weighted mri and faster R-CNN
- Tez No: 945204
- Danışmanlar: PROF. DR. İBRAHİM AKDUMAN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, İletişim Bilimleri, Engineering Sciences, Communication Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
- Sayfa Sayısı: 60
Özet
Meme kanseri, dünya genelinde kadınlar arasında en sık görülen kanser türlerinden biri olup, erken tanı ve tedavi süreci hastalığın seyri açısından hayati öneme sahiptir. Erken dönemde tespit edilen vakalarda tedavi başarı oranı belirgin ölçüde artmakta, bu da hasta sağkalım sürelerini anlamlı derecede uzatabilmektedir. Bu bağlamda, meme kanserinin erken evrede ve doğru şekilde tespiti için etkili, güvenilir ve hızlı tanı yöntemlerinin geliştirilmesi gerekmektedir. Günümüzde manyetik rezonans görüntüleme (MRG), yumuşak doku ayrımındaki üstünlüğü ve kontrast hassasiyeti sayesinde meme lezyonlarının görüntülenmesinde önemli bir rol oynamaktadır. Ancak, MRG görüntülerinin manuel olarak yorumlanması, zaman alıcı ve yorucu bir süreçtir; ayrıca yorumlayıcının deneyimine bağlı olarak subjektif farklılıklar içerebilir. Bu nedenle, otomatik tanı sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında, meme MRG görüntülerinde tümörlerin otomatik tespiti ve lokalizasyonunu sağlamak üzere derin öğrenme temelli iki aşalı bir sistem tasarlanmıştır. Birinci aşamada, Faster R-CNN tabanlı bir nesne tanıma modeli kullanılarak olası tümör bölgeleri belirlenmektedir. Bu aşama, hâlihazırda literatürde yaygın olarak kullanılan standart yaklaşımlarla paralellik göstermektedir. Ancak çalışmanın temel katkısı, ikinci aşamada sunulan ve dilim bazlı karar mekanizmasına dayanan yeni metodolojidir. Bu metodoloji, tüm görüntüler için sadece kutu tahmini yapmakla kalmayıp, dilim seviyesinde maske içerip içermediğine göre tahminlerin anlamlılığını sorgulamakta ve böylece yanlış pozitif oranını azaltmaktadır. Modelin eğitim ve test süreçlerinde çeşitli kaynaklardan elde edilmiş, T1 ağırlıklı, benzer kontrast seviyelerindeki görüntülere yer verilmiştir. Veriler Duke Üniversitesi, Zenodo veri platformu ve Infiwave Diagnostics Yazılım Limited Şirketi'nden sağlanan MRG görüntülerini içermektedir. Tüm veriler, T1-Ağırlıklı, kontrast sonrası fazlara ait , 512×512 çözünürlüğünde ve 16-bit derinliğindedir. Yöntem, iki düzeyde değerlendirilmiştir: Dilim bazlı testlerde, her bir MRG dilimi için referans maske ile modelin tahmini kıyaslanarak, doğru pozitif (TP, True Positive), yanlış negatif (FN, False Negative), yanlış pozitif (FP, False Positive) ve doğru negatif (TN, True Negative) sınıflandırmaları yapılmıştır. Bu bağlamda, yalnızca Faster R-CNN modelinin kullanıldığı senaryoya kıyasla, önerilen metodoloji ile özgüllük (specifity) değeri %92'den %98'e yükseltilmiştir. Bu durum, yalnızca kutu tabanlı tahminlere güvenmenin ötesine geçilerek, modelin anlamsız ya da hatalı pozitif tespitlerini elemine eden bir yapının başarılı bir şekilde entegre edildiğini göstermektedir. Hasta bazlı testlerde ise, 50 sağlıklı ve 50 tümörlü hastanın bulunduğu bir test veri seti kullanılmıştır. Bu testte, her bir hastanın en az bir diliminde tahmin bulunması durumunda tümörlü olarak sınıflandırılması yeterli kabul edilmiştir. Elde edilen sonuçlara göre, tümörlü hastaların 49'u doğru şekilde tespit edilmiş,hastalardan biri sağlıklı olarak işaretlenmiştir. Bu durum, \%98 oranında duyarlılık (sensitivity) değeri elde edildiğini göstermektedir. Diğer yandan, sağlıklı hastaların 46'sı doğru şekilde saptanabilmiş, 4 hasta ise yanlış olarak tümörlü olarak işaretlenmiştir; bu da özgüllük oranının %92 olarak gerçekleştiğini göstermektedir. Ayrıca, tespit edilen kutuların gerçek tümör maskesini kapsayıp kapsamadığı analiz edilerek, %97.95 oranında lokalizasyon başarısı elde edilmiştir. Tüm bu bulgular, önerilen sistemin hem dilim hem de hasta düzeyinde karar verme kabiliyetinin yüksek olduğunu, klasik yöntemlerin ötesinde anlamlı bir iyileştime sunduğunu ve yanlış pozitif/negatif oranlarını dikkate değer ölçüde azalttığını ortaya koymaktadır. Bu yöntemin, klinik uygulamalarda radyologlara karar destek aracı olarak hizmet verebilecek potansiyele sahip olduğu ve meme kanseri tarama süreçlerinde hızlı, güvenilir ve tutarlı bir yardımcı sistem olarak kullanılabileceği sonucuna varılmıştır.
Özet (Çeviri)
Breast cancer is one of the most common types of cancer among women worldwide, and early diagnosis and treatment are of vital importance for the course of the disease. When detected at an early stage, the success rate of treatment significantly increases, thereby substantially extending patient survival times. In this context, the development of effective, reliable, and rapid diagnostic methods for the accurate and early detection of breast cancer is crucial. Today, magnetic resonance imaging (MRI) plays a significant role in the imaging of breast lesions due to its superior soft tissue contrast and high sensitivity. However, the manual interpretation of MRI images is a time-consuming and labor-intensive process, and it may contain subjective variations depending on the experience of the radiologist. Therefore, the demand for automated diagnostic systems is steadily increasing. In this thesis study, a deep learning-based two-stage system has been designed for the automatic detection and localization of tumors in breast MRI scans. In the first stage, a Faster R-CNN-based object detection model is used to identify potential tumor regions. This stage aligns with the widely used standard approaches in the literature. However, the main contribution of this study lies in the second stage, which introduces a novel slice-based decision-making methodology. This method not only produces bounding box predictions for each image but also evaluates the meaningfulness of these predictions by checking for the presence of a reference mask at the slice level, thus significantly reducing the false positive rate. During the training and testing phases of the model, contrast-enhanced, T1-weighted MRI images from multiple sources were utilized. The data used in this study includes MRI scans from Duke University, the Zenodo data repository, and Infiwave Diagnostics Software Ltd. All images are from the post-contrast phase, have a resolution of 512×512 pixels, and a bit depth of 16. The proposed method has been evaluated at two levels: In slice-based tests, each MRI slice was compared with the ground truth mask to classify results as true positive (TP), false negative (FN), false positive (FP), or true negative (TN). In this context, compared to the baseline scenario using only the Faster R-CNN model, the specificity increased from 92% to 98% with the proposed methodology. This improvement demonstrates the effectiveness of incorporating a structure that eliminates semantically irrelevant or incorrect positive detections, rather than relying solely on bounding box predictions. In patient-level tests, a test dataset consisting of 50 healthy and 50 tumor-bearing patients was used. In this evaluation, the presence of a single detection in any slice of a patient was considered sufficient for the patient to be classified as tumor-positive. According to the results, 49 of the tumor-bearing patients were correctly identified, while one was misclassified as healthy. This corresponds to a sensitivity of 98%. On the other hand, 46 of the healthy patients were correctly identified, whereas 4 were incorrectly classified as tumor-positive, resulting in a specificity of 92%. In addition, by analyzing whether the predicted bounding boxes overlapped with the actual tumor masks, a localization accuracy of 97.95% was achieved. All these findings indicate that the proposed system demonstrates high decision-making performance at both the slice and patient levels, offering meaningful improvements over traditional methods and significantly reducing false positive and false negative rates. It is concluded that the proposed approach has strong potential to serve as a decision support tool for radiologists in clinical practice and may be effectively utilized as a fast, reliable, and consistent assistive system in breast cancer screening workflows.
Benzer Tezler
- Triple-negatif meme kanserli olgularda tümörü infiltre eden lenfosit(TİL) düzeyinin MR görüntüleme tekstür analizi ile karşılaştırılması
Comparison of tumor-infilting lymphocyte (TIL) levels with MR imaging texture analysis in patients wi̇th triple-negative breast cancer
MELİSA YALÇIN ERK
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ASLI ERTÜRK
- 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
- İnvaziv meme karsinomlu olgularda lenfovasküler invazyon varlığının MR tekstür analiz ile değerlendirilmesi
Evaluation of lymphovascular invasion in invasive breast carcinoma using MRI texture analysis
GÖKHAN AYTEKİN
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpTrakya ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. NERMİN TUNÇBİLEK
- Aksiller lenf bezlerinin manyetik rezonans görüntüleme (MRG) tekstür analizi sonuçlarının patoloji sonuçları ile karşılaştırılması
Comparison of magnetic resonance imaging (MRI) texture analysis results with pathology results of axillary lymph nodes
İSMAİL DİLEK
Tıpta Uzmanlık
Türkçe
2021
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ZEHRA HİLAL ADIBELLİ
- Meme kanserli hastalarda neoadjuvan tedaviye yanıtın, tedavi öncesi ve sonrası dinamik meme manyetik rezonans görüntüleme (MRG) kullanılarak derin öğrenme modeli yapay zeka desteği ile değerlendirilmesi ve radyolog bakısı ile kıyaslanması
Başlık çevirisi yok
SERHAT DEGER
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
PROF. DR. ZEHRA HİLAL ADIBELLİ
UZMAN AHMET BOZER