Derin öğrenme yöntemi ile MLO ve CC görüntüleri kullanılarak meme kanserinin sınıflandırılması
Classification of breast cancer using MLO and CC images with deep learning method
- Tez No: 949323
- Danışmanlar: YRD. DOÇ. DR. KADİR SARIKAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü işleme algoritmaları, Deep learning, Image processing algorithms
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, meme kanseri teşhisi için popüler derin öğrenme modellerinden olan ResNet50 ve InceptionV3 mimarileri karşılaştırılmıştır. Kadınlar arasında en yaygın şekilde görülen malign neoplazilerden biri olan meme kanseri, zamanında tanı konulmadığında mortalite oranlarında ciddi artışlara neden olabilmektedir Bu nedenle, erken teşhis için kullanılan mamografik görüntülerin doğru bir şekilde değerlendirilmesi büyük önem taşımaktadır. Ancak mamografi görüntülerinin manuel olarak yorumlanması, çeşitli hata risklerini barındırmakta ve sonuçların doğruluğunu etkileyebilmektedir. Bu bağlamda, yapay zeka ve derin öğrenme tabanlı otomatik tanı sistemleri, tıbbi görüntülemede meme kanseri tespiti için önemli bir alternatif olarak öne çıkmaktadır. DDSM (Digital Database for Screening Mammography) veri seti kullanılarak yapılan çalışmada, her iki modelin mamografik görüntüler üzerinden meme kanseri sınıflandırma performansları incelenmiştir. Bu süreçte, hem Cranio-Caudal (CC) hem de Medio-Lateral Oblique (MLO) açılardan alınan mamografi görüntüleri kullanılarak, modellerin kategorik doğruluk metrikleri üzerinden karşılaştırmaları yapılmıştır. Elde edilen sonuçlar, ResNet50 ve InceptionV3 modellerinin meme kanseri sınıflandırmasında farklı performanslar sergilediğini göstermektedir. ResNet50 modeli özellikle CC görüntülerinde daha yüksek doğruluk oranları sunarken, InceptionV3 modeli hem CC hem de MLO görüntülerinde tutarlı ve rekabetçi bir performans sergilemiştir. Sonuçlar, her iki modelin de otomatik meme kanseri teşhisinde etkin bir şekilde kullanılabileceğini gösterirken, farklı veri türlerinde ve görüntü açılarında performans farklılıklarının olduğu görülmüştür. Bu çalışma, yapay zeka tabanlı otomatik tanı sistemlerinin meme kanseri teşhisinde kullanılabilirliğine dair önemli bulgular sunmakta ve bu sistemlerin klinik uygulamalarda yaygınlaştırılmasına yönelik potansiyel katkılar sağlamaktadır.
Özet (Çeviri)
This study was conducted to compare ResNet50 and InceptionV3 architectures, which are popular deep learning models for breast cancer detection. Breast cancer, one of the most common malignant neoplasms among women, can cause significant increases in mortality rates if not diagnosed in time. Therefore, accurate evaluation of mammographic images used for early detection is of great importance. However, manual interpretation of mammography images carries various error risks and can affect the accuracy of the results. In this context, artificial intelligence and deep learning-based automated diagnosis systems are emerging as an important alternative for breast cancer detection in medical imaging. In this study, using the Digital Database for Screening Mammography (DDSM) dataset, the breast cancer classification performances of both models on mammographic images were examined. In this process, mammographic images from both Cranio-Caudal (CC) and Medio-Lateral Oblique (MLO) angles were used to compare the models on categorical accuracy metrics. The results show that ResNet50 and InceptionV3 models perform differently in breast cancer classification. While the ResNet50 model provides higher accuracy rates, especially on CC images, the InceptionV3 model performs consistently and competitively on both CC and MLO images. While the results show that both models can be effectively used in automatic breast cancer diagnosis, there are performance differences in different data types and image angles. This study provides important findings on the usability of AI-based automated diagnostic systems in breast cancer diagnosis and provides potential contributions to the dissemination of these systems in clinical applications.
Benzer Tezler
- Machine learning-based prediction of FTIR spectral peaks for biomass characterization
Biyokütle karakterizasyonu için FTIR spektral pik noktalarının makine öğrenmesi tabanlı tahmini
FAHREDDİN TALHA SAĞİŞ
Yüksek Lisans
İngilizce
2025
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR YAMAN
- Periodontal hastalığa sebep olan periodontal patojenlerin klorhekzidin karbon dot bağlı kitosan nanopartiküller ile antibakteriyel etkinliğinin incelenmesi
Investigation of the antibacterial effectiveness of chlorhexidin carbon dot loaded chi̇tosan nanoparticles agai̇nst periodontal pathogens to cause periodontal disease
KUDRET SARI
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiOrdu ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. VAROL ÇANAKÇI
- New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
BESTE ATAN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Comparative study of federated learning for credit risk assessment and fairness evaluation
Federe öğrenmenin karşılaştırmalı çalışması: Kredi risk değerlendirmesi ve adalet ölçümü
MUSTAFA AKTAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
DR. RUŞEN HALEPMOLLASI