Geri Dön

Meme kanseri teşhisi ve alt tiplendirmesi için yeni bir dijital görüntü işleme tekniğinin geliştirilmesi

Development of a new image processing method for detection and subclassification of breast cancer

PDF İndir

  1. Tez No: 969604
  2. Yazar: MARYA ELAŞTAR
  3. Danışmanlar: PROF. DR. İMAN ASKERBEYLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin öğrenme, Evrişimli sinir ağları, Deep learning, Convolutional neural networks
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Meme kanseri, hasta sonuçlarını iyileştirmek için erken ve doğru teşhisin önemine işaret eden küresel bir sağlık sorunudur. Tıbbi görüntüleme için yapay zeka (özellikle derin öğrenme) büyük bir potansiyel göstermiştir. Sunulan çalışma, CBIS-DDSM veri setini kullanarak meme lezyonlarını iyi huylu veya kötü huylu olarak sınıflandırmak için en yeni derin öğrenme modellerini (DenseNet121, NASNetLarge, Xception ve Swin Transformer) kullanmanın etkinliğini incelemektedir. Araştırma, ileri düzey hesaplama tekniklerini kullanarak meme kanseri teşhisindeki önemli sorunları ele almayı amaçlamaktadır. Çalışmada, derin öğrenme modellerinin değerlendirilmesi, doğruluk, hassasiyet, geri çağırma (recall), F1 skoru ve ROC-AUC gibi hassas metrikler kullanılarak yapılmıştır. Ayrıca, modellerin mimarisi ile meme kanseri görüntülemesine uygunlukları da incelenmiştir. Elde edilen sonuçlara göre NASNetLarge, yüksek boyutlu veri değişkenliğine duyarlılığı nedeniyle genelleme konusunda zorluk yaşarken, DenseNet121 ve Xception güçlü özellik çıkarma yetenekleri sergilemiştir. Hiyerarşik dikkat mekanizmaları sayesinde, Swin Transformer, tıbbi görüntülerin karmaşık desenlerine etkili bir şekilde uyum sağlamıştır. Yanlış sınıflandırma durumlarının araştırılması, sunulan çalışmanın bir diğer önemli bileşenidir. Model hataları, belirsiz lezyon sınırları, kötü huylu lezyonların iyi huylu özellikleri taklit etmesi ve veri seti artefaktları gibi faktörlerden kaynaklanmaktadır. Çalışmada, kontrast artırma ve hedeflenmiş veri artırma gibi gelişmiş ön işleme teknikleri bu sorunları çözmek için kullanılmıştır. Bu teknikler, CBIS-DDSM veri setinde yanlılığını azaltmış ve modellerin dayanıklılığını artırmıştır. Bu çalışma, derin öğrenmenin meme kanseri teşhisindeki dönüştürücü potansiyelini vurgulamakta ve Swin Transformer'ı doğruluk ve sağlamlık açısından bir kıyaslama modeli olarak öne çıkarmaktadır. Çalışma, umut verici ilerlemeler kaydederken, veri seti değişkenliği ve gerçek dünyada uygulanabilirliği gibi zorlukların daha fazla incelenmesine odaklanmaktadır. Bu çalışma, klinisyenler ve yapay zeka araştırmacıları arasında işbirlikçi çabaların teşvik edilmesiyle, yapay zeka ile klinik uygulama arasındaki farkı kapatma amacına katkıda bulunmaktadır. Sonuç olarak, bu çalışma tanı sonuçlarını ve hasta bakımını iyileştirecektir.

Özet (Çeviri)

Breast cancer continues to pose a significant global health challenge, underlining the importance of early and accurate diagnosis in improving patient outcomes. Advances in artificial intelligence, particularly deep learning, have demonstrated considerable promise in medical imaging. This study explores the application of state-of-the-art deep learning models—DenseNet121, NASNetLarge, Xception, and Swin Transformer—for the classification of breast lesions as benign or malignant using the CBIS-DDSM dataset. The research aims to address critical challenges in breast cancer diagnosis by leveraging advanced computational techniques. The evaluation of these models was conducted using rigorous metrics, including accuracy, precision, recall, F1 score, and ROC-AUC, with a detailed focus on model architecture and their suitability for breast cancer imaging. DenseNet121 and Xception demonstrated robust feature extraction capabilities but exhibited minor overfitting, whereas NASNetLarge struggled with generalization due to its sensitivity to high-dimensional data variability. The Swin Transformer emerged as a standout model, owing to its hierarchical attention mechanisms that adapt effectively to the complex patterns of medical images. Another critical aspect of this study was the investigation of misclassification scenarios. Factors such as indistinct lesion boundaries, malignant lesions mimicking benign features, and dataset artifacts were identified as primary contributors to model errors. To address these challenges, advanced preprocessing techniques, including contrast enhancement and targeted data augmentation, were employed. These strategies improved the models' robustness and reduced biases inherent in the CBIS-DDSM dataset. This research underscores the transformative potential of deep learning in breast cancer diagnosis, highlighting the Swin Transformer as a benchmark model for accuracy and robustness in classifying breast lesions. While the study identifies promising advancements, it also emphasizes the need for further exploration of challenges such as dataset variability and real-world applicability. By advocating for collaborative efforts between AI researchers and clinicians, this study contributes to the broader goal of bridging the gap between artificial intelligence and clinical practice, ultimately enhancing diagnostic outcomes and patient care.

Benzer Tezler

  1. Tez No

    793583

    Meme kanseri teşhisi alan kadınlarda duygusal öz-yeterlilik ve travma sonrası büyüme arasındaki ilişki

    The relationship between emotional self-efficacy and post traumatic growth in female female patients diagnosed with breast cancer

    ZEYNEP FEVZİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Psikolojiİstanbul Bilgi Üniversitesi

    Travma ve Afet Çalışmaları Uygulamalı Ruh Sağlığı Bilim Dalı

    PROF. DR. AHMET TAMER AKER

  2. Tez No

    973321

    Meme kanseri teşhisi için melanin modifiyeli anizotropik akışa sahip mikroakışkan cihaz ile dolaşımdaki tümör kaynaklı eksozomların izolasyonu

    Isolation of circulating tumor-derived exosomes with a melanin-modified anisotropic flow microfluidic device for breast cancer diagnosis

    SAFİYE BETÜL BULUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Biyomühendislikİzmir Demokrasi Üniversitesi

    Biyomedikal Bilimler ve Mühendislik Ana Bilim Dalı

    DOÇ. DR. GİZEM KALELİ CAN

    DR. BUĞRA AYAN

  3. Tez No

    751683

    Derin öğrenme ile sınıflandırma: Meme kanseri teşhisi

    Classification with deep learning: Breast cancer diagnosis

    ZAINAB SUBHI MAHMOOD HAWRAMI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İstatistikGazi Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. HACI HASAN ÖRKCÜ

  4. Tez No

    882774

    Meme kanseri tanısı alan hastalarda preoperatif MRG bulguları ve senkron lezyonların tespitinde difüzyon MRG'nin etkinliği

    The efficacy of diffusion MRİ in detecting synchronous lesions and preoperative Rİ findings in patients diagnosed with breast cancer

    CANBERK ORUNDAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer Tıpİstanbul Medeniyet Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. GÜLNUR ERDEM

  5. Tez No

    900475

    Meme kanseri ve akciğer kanserinin derin öğrenme modelleri ile analizi ve yorumlanması

    Analysis and interpretation of breast cancer and lung cancer with deep learning models

    SURA ALFADHLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ

Geri Dön