Yolo modelleri kullanarak mamografi görüntülerinden kitle tespiti
Mass detection from mammographic images using deep learning methods
- Tez No: 972521
- Danışmanlar: PROF. DR. ABDULLAH TOPRAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Meme kanseri, Deep learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kanser hücrelerin kontrolsüz bir biçimde çoğalması ve bu hücrelerin vücuda yayılması anlamına gelen metastaz süreci ile ölüme kadar varabilen ciddi bir hastalık grubudur. Bu tür hastalıkların erken evrede teşhis edilmesi, tedavi sürecinin etkinliği ve hastanın yaşam süresi açısından büyük önem taşımaktadır. Günümüzde meme kanseri teşhisi çoğunlukla radyologlar tarafından mamografi görüntülerinin değerlendirilmesiyle yapılmaktadır. Ancak bu süreç, yoruma dayalı olması nedeniyle farklılık gösterebilmekte ve insan hatasına açık olabilmektedir. Bu noktada, yapay zekâ destekli karar destek sistemleri, tanı sürecini hem hızlandırmakta hem de doğruluk oranını artırarak daha güvenilir sonuçlar sunabilmektedir. Bu tez çalışmasında, derin öğrenme alt yapılı bir nesne algılama yöntemi olan YOLO (You Only Look Once) mimarisine dayanan YOLOv8 ve YOLOv7 mimarilerinin mamografi görüntüleri üzerinde meme kanseri taramalarındaki kitle tespit performansları incelenmektedir. YOLO mimarisi, gerçek zamanlı ve yüksek doğrulukta nesne tespiti yapabilme yeteneği sayesinde tıbbi görüntü analizlerinde sıkça tercih edilen yöntemler arasında yer almaktadır. Çalışmada üç farklı veri kümesi kullanılmıştır. İlk veri kümesi 62 adet mamografi görüntüsü içeren etik kurul onayı alınarak Dicle Üniversitesi Tıp Fakültesi Hastanesi'nden temin edilmiştir. Bu veri kümesinin içerdiği görüntüler LabelImg uygulaması üzerinden uzman radyolog tarafından etiketlenmiştir. İkinci veri kümesi orijinal veri kümesinin veri artırımı yoluyla artırılması sonucunda elde edilmiş 162 adet görüntüden oluşmaktadır. Son veri kümesi ise Roboflow ortamından elde edilmiş açık erişim 251 adet mamografi görüntüsünü içermektedir. Modellerin başarımı, Ortalama Doğruluk (mAP), Kesinlik (Precision), Duyarlılık (Recall) ve F1 Skoru gibi performans metrikleri ile değerlendirilmiştir. Elde edilen bulgular, sınırlı etiketli medikal görüntülerle çalışılan koşullarda YOLOv8'in daha güvenilir ve başarılı bir nesne tespit yöntemi olduğunu ortaya koymaktadır. Çalışılan bütün veri kümelerinde YOLOv8, YOLOv7'ye oranla tüm metriklerde daha iyi sonuçlar vermiştir. Sonuç olarak, bu tez çalışması, Modelin hem teorik altyapısı hem de deneysel başarımları, özellikle medikal tanı destek sistemlerinin geliştirilmesinde YOLOv8'in güçlü bir aday olduğunu göstermektedir.
Özet (Çeviri)
Cancer refers to a serious group of diseases caused by the uncontrolled growth of cells and the metastasis process, in which these cells spread throughout the body and may lead to death. Early diagnosis of such diseases is highly important for effective treatment and prolonged patient survival. Today, breast cancer is mostly diagnosed by radiologists through the evaluation of mammography images. However, this process may vary due to its interpretative nature and is prone to human error. At this point, AI-supported decision systems can speed up the diagnostic process and improve reliability by increasing accuracy. This thesis investigates the mass detection performance of YOLOv8 and YOLOv7 architectures, which are based on the deep learning-based object detection algorithm YOLO (You Only Look Once), on mammography images. Due to their ability to detect objects in real time and with high precision, YOLO-based architectures are frequently used in medical image analysis. Three datasets were used in this study. The first dataset, containing 62 mammography images, was obtained from Dicle University Faculty of Medicine Hospital with ethics committee approval. These images were labeled by a radiologist using the LabelImg application. The second dataset consists of 162 images obtained by applying data augmentation to the original dataset. The third dataset includes 251 publicly available images from the Roboflow platform. The models were evaluated using performance metrics such as Mean Average Precision (mAP), Precision, Recall, and F1 Score. The results show that YOLOv8 performed more successfully and reliably than YOLOv7 under limited labeled data conditions. In all datasets, YOLOv8 achieved better outcomes in all metrics. In conclusion, the findings demonstrate that YOLOv8 is a strong candidate for medical diagnostic support systems due to its advanced architecture and experimental performance.
Benzer Tezler
- Derin öğrenme modellerine dayalı mamografi görüntülerinin sınıflandırılması
Classification of mammography images based on deep learning models
AYA ALDASHASH
Yüksek Lisans
Türkçe
2024
BiyomühendislikKarabük ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. EFTAL ŞEHİRLİ
- Derin öğrenme yaklaşımları ile meme kanseri tespiti ve sınıflandırması
Breast cancer detection and classification with deep learning approaches
BÜŞRA KÜBRA KARACA AYDEMİR
Doktora
Türkçe
2025
BiyomühendislikBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. BERNA DENGİZ
PROF. DR. ZİYA TELATAR
- YOLO, Faster R-CNN ve SSD MÖobile net kullanarak market raf ürünlerinin algılanması ve tanımlanması
Market shelf products detection and recognition Using YOLO, Faster R-CNN, and SSD Mobile net
ALAA MOHAMED JAMEL ABDULQADER MAWLAWI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH TÜMÜKLÜ ÖZYER
- Derin öğrenme tabanlı nesne tespit modelleri ile akıllı gözetim sistemleri için silah ve silahlı insan algılama
Weapon and armed person detection for intelligent surveillance systems using deep learning-based object detection models
KADİR TEKİNDOR
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- Bulut tabanlı derin öğrenme kullanarak insansız hava araçları için gerçek zamanlı nesne algılama
Real-time object detection for unmanned aerial vehicles using cloud-based deep learning
MEHMET BİLGE HAN TAŞ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULSAMET HAŞILOĞLU