Göğüs kanseri tespitinde derin öğrenme temelli hibrit bir yaklaşım
A deep learning-based hybrid approach for breast cancer detection
- Tez No: 977800
- Danışmanlar: DOÇ. DR. MUHAMMET SERDAR BAŞÇIL
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Göğüs kanseri, kadınlar arasında sıklıkla görülen kanser çeşididir ve tüm kanser vakalarının yaklaşık %30'unu oluşturmaktadır. Göğüs dokusunda oluşan tümörlerin iyi veya kötü huylu olduğunun doğru tespiti hayati önem taşımaktadır. Bu tespitin yapılmasında en sık kullanılan yöntem ise mamografi görüntüleridir. Ancak mamografi görüntülerinin incelenmesi zaman alabilmekte ve yorumlama sürecindeki subjektiflik nedeniyle hatalı sonuçlar ortaya çıkabilmektedir. Göğüs kanserinin erken teşhisi ve ayrıca doğru tespiti ilerleyen süreçte tedavi başarısını arttırdığı ve ölümle sonuçlanan vakaların oranını düşürdüğü bilinmektedir. Bu nedenle, teşhis süreçlerini hızlandırma ve doğruluğu arttırmak amacıyla yapay zeka tabanlı yöntemlere ilgi son yıllarda artmıştır. Bu çalışmada derin öğrenme modelleri mamografi görüntülerinde karmaşık desenleri ve anomalileri tespit etmek için kullanılmaktadır. Bu çalışmada da önerilen CNN+FNN tabanlı hibrit model sayesinde göğüs kanseri tespitinde kullanılabilecek hem hızlı hem de yüksek doğruluk oranına sahip bir model tasarlanmıştır. Bu çalışmada, DDSM (Digital Database for Screening Mammography) veri tabanından elde edilen 13.128 mamografi görüntüsü (5.970 bening, 7.158 malign) kullanılmıştır. Modelin eğitim aşamalarında aşırı öğrenmenin önüne geçmek ve veri çeşitliliğini artırmak maksadıyla veri arttırma teknikleri (rastgele döndürme, kaydırma ve ölçeklendirme) uygulanmıştır. Böylece eğitim sırasında her mini-batch için rastgele dönüştürülmüş dinamik yeni örnekler üretilmiştir. Elde edilen görüntüler CNN+FNN temelli hibrit model önerilerek sınıflandırılmıştır. Sınıflandırma doğruluklarının güvenilirliğini artırmak amacıyla farklı eğitim ve test veri bölünmeleri (%50-%50, %60-%40, %70-%30 ve %80-%20) denenmiştir. Ayrıca önerilen modelin performansını değerlendirmek için yaygın olarak kullanılan k-fold çapraz doğrulama (k=5) tekniği de uygulanmıştır. Mamogram görüntülerinin sınıflandırılmasında önerilen yöntem sayesinde %99,75 doğruluk oranı, %99,77 kesinlik, %99,63 hassasiyet, %99,77 F1 Skoru, %99,89 özgüllük, %99,49 Matthews Korelasyon Katsayısı gibi oldukça yüksek performans değerleri elde edilmiştir.
Özet (Çeviri)
Breast cancer is the most commonly diagnosed type of cancer among women, accounting for approximately 30% of all cancer cases. Accurate identification of whether tumors in breast tissue are benign or malignant is of vital importance. Mammographic imaging is the most frequently used method for such diagnoses. However, the interpretation of mammograms can be time-consuming and may lead to erroneous results due to subjectivity in the evaluation process. It is well-established that early and accurate diagnosis of breast cancer significantly enhances treatment success and reduces mortality rates. Consequently, there has been a growing interest in artificial intelligence-based approaches to accelerate diagnostic processes and improve accuracy. In this study, deep learning models are employed to detect complex patterns and anomalies in mammographic images. A hybrid model based on Convolutional Neural Network (CNN) and Feedforward Neural Network (FNN) is proposed, aiming to achieve both high accuracy and rapid detection in breast cancer diagnosis. A total of 13,128 mammogram images (5,970 benign and 7,158 malignant) from the Digital Database for Screening Mammography (DDSM) were utilized. To prevent overfitting during the training phase and enhance data diversity, data augmentation techniques—including random rotation, translation, and scaling—were applied. These transformations generated dynamically altered examples for each mini-batch during training. The augmented images were then classified using the proposed CNN+FNN-based hybrid model. To ensure the reliability of classification accuracy, different train-test split ratios (50%-50%, 60%-40%, 70%-30%, and 80%-20%) were tested. Furthermore, k-fold cross-validation (k=5) was employed to comprehensively assess the model's performance. The proposed method achieved outstanding classification performance, including 99.75% accuracy, 99.77% precision, 99.63% recall (sensitivity), 99.77% F1-score, 99.89% specificity, and 99.49% Matthews Correlation Coefficient (MCC).
Benzer Tezler
- Alzheimer ve göğüs kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of alzheimer's and breast cancer images with deep learning methods
YEŞİM TİRAKİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN TEMURTAŞ
DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Göğüs kanseri veri setinin GAN mimarisi ile sentetik olarak elde edilmesi
Synthetic generation of breast cancer data set using GAN architecture
DİLŞAT BERİN AYTAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMRA GÜNDÜÇ
- Tıbbi görüntü işleme ile akciğer grafisinde COVID-19 pozitif tespiti için veri madenciliği ve derin öğrenme yöntemlerinin performanslarının incelenmesi
Investigation of the performance of data mining and deep learning methods for COVID-19 positive detection in lung graph with medical image processing
FATMA GÜL KURT
Yüksek Lisans
Türkçe
2022
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. JALE KARAKAYA KARABULUT