Kontrastlı mamografi görüntülerindeki benign ve malign meme kitlelerinin radyomik öznitelikler kullanılarak derin öğrenme ile sınıflandırılması
Classification of benign and malignant breast masses in contrast-enhanced mammographic images using radiomic features and deep learning
- Tez No: 947387
- Danışmanlar: PROF. DR. TEMEL KAYIKÇIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Mamografi, meme kanserinin tanı ve evrelemesinde temel bir yöntem olmakla birlikte, yoğun meme dokusuna sahip kadınlarda tanısal doğruluğu azalır. Bu eksikliği gidermek için Kontrastlı Mamografi (KM), iyot bazlı kontrast madde ile görüntü kalitesini yükselterek özellikle yoğun parankimal arka planlı olgularda daha güvenilir sonuçlar sunar. Çalışmamızda, KM görüntülerinden çıkarılan radyomik özniteliklerle benign ve malign kitleleri ayırt eden bir Karar Destek Sistemi (KDS) geliştirilmiştir. Toplamda, açık erişimli CDD-CESM veri tabanındaki 2006 görüntü ile Karadeniz Teknik Üniversitesi Farabi Hastanesi'nden alınan 150 görüntü analiz edilmiştir. Radyomik öznitelikler, kitleler arasındaki morfolojik ve yapısal farkları ortaya koymak amacıyla değerlendirildi. Sınıflandırma aşamasında Evrişimli Sinir Ağı (CNN) ve Destek Vektör Makinesi (SVM) modelleri kullanılmıştır. CNN, iki veri kümesi için %86,48 ve %87,18 doğruluk; SVM ise %84,25 ve %79,48 doğruluk sağlamıştır. Sonuçlar, radyomik özniteliklerin meme kanserinin erken teşhisi ve evrelemesinde güçlü göstergeler sunduğunu göstermektedir. Bu teknoloji, klinik uygulamada erken tanı ve doğru evreleme için önemli bir destek aracı olarak öne çıkmaktadır.
Özet (Çeviri)
Mammography is fundamental for diagnosing and staging breast cancer, yet its accuracy declines in women with dense breast tissue. Contrast-Enhanced Mammography (CEM), which employs an iodine-based contrast agent, overcomes this limitation by improving image quality and delivering more reliable results, especially in cases with a dense parenchymal background. In this study, we built a Decision Support System (DSS) that differentiates benign from malignant masses using radiomic features extracted from CEM images. A total of 2,006 publicly available images from the CDD-CESM database and 150 images from Karadeniz Technical University Farabi Hospital were analyzed. Radiomic features captured morphological and structural differences between the masses. Convolutional Neural Network (CNN) and Support Vector Machine (SVM) models were used for classification: the CNN achieved accuracies of 86.48 % and 87.18 % on the two datasets, while the SVM reached 84.25 % and 79.48 %. These results demonstrate that radiomic features are powerful indicators for the early detection and staging of breast cancer, positioning this technology as a valuable support tool in clinical practice.
Benzer Tezler
- Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması
Comparison of radiomic features of benign and malign breast masses on contrast enhanced mammography images
AYKUT TEYMUR
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpKaradeniz Teknik ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. SİBEL KUL
- Meme lezyonlarının kontrastlı mamografi ile kantitatif analizi ve histopatolojik sonuçlar ile karşılaştırılması
Quantitative analysis of breast lesions on contrast-enhanced mammography and comparison with histopathological results
HÜSEYİN BÜLÜÇ
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GAMZE DURHAN
- Yüksek boyutlu model gösterilimi yöntemi ile dijital mamogramlarda meme kanseri tanısı
Breast cancer diagnosis in digital mammograms using high dimensional model representation
KÜBRA KARACAN
Yüksek Lisans
Türkçe
2019
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA
- Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde bulanıklığın giderilmesi
Unsupervised deblurring of digital breast tomosynthesis images using deep learning
MÜBERRA AYDIN
Yüksek Lisans
Türkçe
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Mamografi görüntülerinde mikrokalsifikasyonların görünürlüğünün iyileştirilmesi ve sınıflandırılması için yeni yaklaşımlar
The new approaches for the classification of microcalcifications in the visibility-enhanced mammogram images
AYŞE AYDIN YURDUSEV
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT HEKİM
DR. ÖĞR. ÜYESİ CANAN ORAL