Manyetik rezonans görüntülerinden meme kanseri bölütlemesi için derin öğrenme modellerinin karşılaştırılması
Comparison of deep learning models for breast cancer segmentation from magnetic resonance images
- Tez No: 969536
- Danışmanlar: DR. ÖĞR. ÜYESİ NİDA GÖKÇE NARİN
- Tez Türü: Yüksek Lisans
- Konular: Radyoloji ve Nükleer Tıp, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Radyasyon Onkolojisi, Radiology and Nuclear Medicine, Computer Engineering and Computer Science and Control, Radiation Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Meme kanseri, Türkiye'de ve dünyada kadınlar arasında en yaygın görülen kanser türlerinden biridir. Erken tanı, tedavi başarısını doğrudan etkileyen kritik bir faktördür. Bu doğrultuda, meme dokusunun ayrıntılı olarak incelenmesini sağlayan manyetik rezonans (MR) görüntüleme yöntemleri, tanı sürecinde yaygın olarak kullanılmaktadır. Ancak bu görüntülerde, tümörlü bölgelerin otomatik olarak tespit edilmesi; görüntülerin yapısal karmaşıklığı, sınıf dengesizliği ve tümör alanlarının görüntüde kapladığı oranın düşüklüğü gibi nedenlerle zor bir görevdir. Bu çalışmada, meme MR görüntülerinde yer alan tümörlü alanların belirlenmesi amacıyla derin öğrenme temelli üç farklı yöntem karşılaştırılmıştır. Bu modeller arasında, klasik bir yapı olan U-Net'in yanı sıra, güncel yaklaşımlar arasında yer alan ve dönüştürücü tabanlı mimarilere sahip UNETR ve SegFormer da yer almaktadır. BreastDM adlı açık veri kümesi kullanılarak her model, farklı öğrenme oranları ve kayıp fonksiyonlarıyla hem sıfırdan hem de önceden eğitilmiş ağırlıklarla eğitilmiş ve sonuçları karşılaştırılmıştır. Yapılan deneyler sonucunda, en başarılı sonucun SegFormer modeliyle elde edildiği görülmüştür. Özellikle Dice kayıp kullanılarak, 5×10⁻⁵ öğrenme oranı ve önceden eğitilmiş ağırlıklarla yapılan eğitim sonucunda model, %84,79 Dice Skoru ve %76,12 IoU değeri ile en yüksek performansı göstermiştir. Elde edilen bu sonuçlar, Dönüştürücü tabanlı yapıların karmaşık görüntü bölütlemesi görevlerinde etkili bir seçenek olduğunu ortaya koymaktadır.
Özet (Çeviri)
Breast cancer is one of the most commonly diagnosed types of cancer among women both in Turkey and worldwide. Early diagnosis is a critical factor that directly influences the success of treatment. In this context, magnetic resonance (MR) imaging, which enables detailed examination of breast tissue, is frequently used during the diagnostic process. However, the automatic detection of tumor regions in these images remains a challenging task due to the structural complexity of the images, class imbalance, and the relatively small area occupied by tumor regions. In this study, three deep learning-based methods were compared to identify tumor regions in breast MR images. These models include the conventional U-Net architecture, as well as the more recent transformer-based approaches UNETR and SegFormer. Using the publicly available BreastDM dataset, each model was trained under different learning rates and loss functions, both from scratch and with pre-trained weights, and their performance was evaluated comparatively. The experimental results showed that the best performance was achieved with the SegFormer model. In particular, training with Dice Loss, a learning rate of 5×10⁻⁵, and pre-trained weights resulted in the highest scores: 84.79% Dice Score and 76.12% IoU. These findings indicate that transformer-based architectures can offer an effective solution for complex medical image segmentation tasks.
Benzer Tezler
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Segmentation of breast microwave imaging using fuzzy c-mean clustering
Bulanık c-ortalama kümeleme kullanarak meme mikrodalga görüntülemesinin segmentasyonu
ASAL MAMIZADEH
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Meme manyetik rezonans görüntülemede (mrg) lezyon sınırlarının ve alanının tespit edilmesi
Detection of lesion bundaries and area in breast magnetic resonance images
SEVDA GÜL
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
YRD. DOÇ. DR. GÖKÇEN ÇETİNEL
- Automatic detection and segmentation of breast cancer from 3D MR and CT images
Üç boyutlu manyetik rezonans ve bilgisayarlı tomografi görüntülerinden meme kanserinin otomatik tespiti ve segmentasyonu
CHIMAN HAYDAR SALH SALH
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiYüzüncü Yıl ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RIDVAN SARAÇOĞLU
DR. LAİTH R. FLİEH
- BI-RADS (Breast imaging and reporting data system) 4C ve 5 meme lezyonlarında biyopsi öncesi çekilen kısaltılmış meme manyetik rezonans incelemenin tanısal katkısı
Diagnostic contributions of abbreviated breast magnetic resonance imaging before biopsy for BI-RADS 4c and 5 breast lesions
EDA BEYKOZ ÇETİN
Tıpta Uzmanlık
Türkçe
2021
Radyoloji ve Nükleer TıpRecep Tayyip Erdoğan ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİLİZ TAŞÇI