Yapay zekâ yöntemleri kullanılarak tıbbi görüntülerde hastalık tespiti
Disease detection in medical images using AI methods
- Tez No: 985242
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ ÖTER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, meme kanserinin otomatik teşhisine yönelik olarak mamografi (MG), ultrason (US) ve histopatoloji olmak üzere üç farklı görüntüleme modalitesinden elde edilen verileri kullanarak, yenilikçi, modüler ve bütüncül bir Yapay Zekâ (YZ) çerçevesi önermektedir. Bu kapsamda, beş bağımsız derin öğrenme modeli geliştirilmiştir. Histopatolojik görüntüler için iki model sunulmuştur: İlki, ViT-B16 (Vision Transformer-Base 16) tabanlı çok görevli öğrenme yaklaşımıyla ikili sınıflandırma, alt tür ayrımı ve büyütme düzeyi tahminini eşzamanlı olarak gerçekleştirmektedir. İkinci model olan Eff-SA-Net ise EfficientNetB4 omurgasına uzamsal dikkat (spatial attention) mekanizması entegre edilerek geliştirilmiş olup yalnızca ikili sınıflamaya odaklanmaktadır. Mamografi verileri için, ResNet50V2 ile Transformer bileşenlerinin birleşiminden oluşan DH-ViT modeli kullanılmıştır. Ultrason görüntülerine yönelik olarak ise, maske yönlendirmeli uzamsal dikkat mekanizmasıyla güçlendirilmiş, EfficientNetV2B3 tabanlı yeni bir mimari tasarlanmıştır. Ayrıca, üç modaliteden elde edilen ikili sınıflandırma sonuçlarının softmax olasılıklarının geç-seviye ortalaması alınarak oluşturulan TriModalEnNet adlı topluluk modeli, bağımsız bir teşhis sistemi olarak değerlendirilmiştir. Tüm bireysel modeller, doğruluk, duyarlılık, özgüllük, F1 skoru ve AUC gibi temel performans metriklerinde yüksek başarı göstermiştir. Özellikle belirsizlik içeren olgularda TriModalEnNet modeli, tekil modellerin hatalarını dengeleyerek genel tanısal doğruluğu ve karar tutarlılığını anlamlı ölçüde artırmıştır. Bu çalışma, klinik uygulamalarda çok modelli ve kapsamlı bir YZ yaklaşımının üstün tanı gücünü ortaya koymakta; meme kanseri teşhisinde daha güvenilir ve hassas karar destek sistemlerinin geliştirilmesine önemli bir katkı sunmaktadır.
Özet (Çeviri)
This study proposes an innovative, modular, and holistic Artificial Intelligence (AI) framework for the automated diagnosis of breast cancer, utilizing data derived from three distinct imaging modalities: mammography (MG), ultrasound (US), and histopathology (HP). Within this scope, five independent deep learning models were developed. For histopathological images, two models are presented: The first employs a ViT-B16 (Vision Transformer-Base 16) based multi-task learning approach to simultaneously perform binary classification, subtype differentiation, and magnification level estimation. The second model, named Eff-SA-Net, is focused solely on binary classification and was developed by integrating a spatial attention mechanism into an EfficientNetB4 backbone. The DH-ViT model, a hybrid combining ResNet50V2 and Transformer components, was applied to MG data. For US images, a novel EfficientNetV2B3-based architecture enhanced with a mask-guided spatial attention mechanism was designed. Furthermore, an ensemble system named TriModalEnNet was evaluated as an independent diagnostic system. This ensemble was constructed by taking the late-level average of the softmax probabilities from the binary classification results obtained across all three modalities. All individual models demonstrated high performance across fundamental metrics, including accuracy, sensitivity, specificity, F1-score, and AUC. Crucially, the TriModalEnNet model significantly enhanced overall diagnostic accuracy and decision consistency, particularly in ambiguous cases, by compensating for the errors of the single models. This work validates the superior diagnostic power of a comprehensive, multi-modal AI approach in clinical applications, offering a substantial contribution towards developing more reliable and precise decision support systems for breast cancer diagnosis.
Benzer Tezler
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU
- Derin öğrenmeyle manyetik rezonans görüntüleme
Magnetic resonance imaging with deep learning
ALİ CAN KARA
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- A comparison of CNN-based visual explanation methods inmedical images
Sağlık görüntülerinde CNN tabanlı görsel açıklama yöntemlerinin karşılaştırılması
ELHAM DEHGHANI MOINI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. NAFİZ ARICA
- 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