Derin öğrenme teknikleri kullanılarak mamografi görüntüleri üzerinden meme kanseri tahmini
| dc.contributor.advisor | Yavuz, Erdem | |
| dc.contributor.author | Doğru, Şeyma | |
| dc.date.accessioned | 2025-06-12T11:59:18Z | |
| dc.date.available | 2025-06-12T11:59:18Z | |
| dc.date.issued | 2025 | |
| dc.date.submitted | 2025 | |
| dc.department | BTÜ, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | Teknolojik ilerlemeler, birçok sektörde olduğu gibi sağlık alanında da akıllı makinelerin karar verme süreçlerine dahil edilmesine olanak tanımıştır. İnsanlardan daha hızlı analitik düşünebilme ve ilişkileri saptama yetenekleri sayesinde bu makineler, uzmanlara doğru kararların alınmasında önemli ölçüde destek sağlamaktadır. Özellikle kanserin erken teşhisinin hayati öneme sahip olması, bu alanda yapılan yapay zeka çalışmalarını hızlandırmıştır. Kanserin erken tanısı, hastaların sağkalım oranlarının artırılması, organ kaybının önlenmesi ve radyoterapi, kemoterapi gibi tedavilerin en az düzeyde uygulanması bakımından kritik önem taşımaktadır. Memede oluşan küçük lezyonların tespiti genellikle mümkün olmamaktadır. Bu da hastalığın ilerlemesine ve ileri safhalarda fark edilmesine sebep olmaktadır. Kontrastlı Spektral Mamografi (CESM), bu tespit zorluğunu gidermek için geliştirilmiş yeni bir görüntüleme tekniğidir. Meme hücrelerine enjekte edilen kontrast madde ile lezyonları görünür kılan Kontrastlı Spektral Mamografi, dijital mamografide gözden kaçabilen lezyonları yakalamaya yardımcı olur. Doktorların daha güvenilir tanı koymasına ve hastalığa erken fark edilmesine olanak tanır. Bu tez çalışmasında, meme kanserinin teşhis sürecine odaklanılarak Kontrastlı Spektral Mamografi (CESM) görüntüleri kullanılmıştır. Çalışmada iki farklı veri seti üzerinde çeşitli derin öğrenme modelleri eğitilerek analizler gerçekleştirilmiştir. Kullanılan bu veri setleri CDD-CESM veri seti ve CESM@UCBM veri setleridir. CDD-CESM veri setinde toplamda 2006 görüntü bulunmaktadır. Bu görüntülerin 1003 tanesi düşük enerjili görüntü, 1003 tanesi ise bileşik görüntüdür. CESM@UCBM veri setinde ise 1138 adet görüntü bulunmaktadır. Bu görüntülerden 569 tanesi düşük enerjili, 569 tanesi ise bileşik görüntüdür. Bu çalışma kapsamında yapılan eğitimlerde veri setlerine 20 farklı açıdan yaklaşılmıştır. Veri seti 3 sınıflı (Normal, İyi Huylu, Kötü Huylu) ve 2 sınıflı (İyi Huylu, Kötü Huylu) olarak, ayrı ayrı ve birlikte olacak şekilde eğitilmiştir. Aynı zamanda bu ele alım şekillerine veri artırma yöntemleri uygulanarak veriler tekrar eğitilmiştir. Bu kapsamda, ResNet50, DenseNet121, EfficientNetB0, VGG16 ve VGG19 mimarileri uygulanmış ve beşli çapraz doğrulama sonucunda DenseNet121 modeliyle %76,46 kesinlik (precision), %95,35 duyarlılık (recall) ve %84,81 F1-Skor değerleri elde edilmiştir. Bu sonuçlar, önerilen yöntemin meme kanseri tanısında etkin bir destek aracı olabileceğini göstermektedir. | |
| dc.description.abstract | Technological advancements have enabled the integration of intelligent machines into decision-making processes in various sectors, including healthcare. With their ability to perform analytical thinking and detect relationships faster than humans, these machines provide significant support to experts in making accurate decisions. The critical importance of early cancer diagnosis has accelerated artificial intelligence research in this field. Early cancer diagnosis is crucial for increasing patient survival rates, preventing organ loss, and minimizing the need for treatments such as radiotherapy and chemotherapy. The detection of small lesions in the breast is often challenging, leading to the disease progressing and being detected at advanced stages. Contrast-Enhanced Spectral Mammography (CESM) is an innovative imaging method designed to address the challenges associated with detection. By making lesions visible with a contrast agent injected into the breast cells, CESM helps to capture lesions that may be missed in digital mammography. It allows doctors to make more reliable diagnoses and detect the disease early. This thesis centers on diagnosing breast cancer through the analysis of Contrast-Enhanced Spectral Mammography (CESM) images. The study analyzed various deep learning models trained on two different datasets. The datasets used were the CDD-CESM dataset and the CESM@UCBM dataset. The CDD-CESM dataset contains a total of 2006 images, with 1003 low-energy images and 1003 subtracted images. The CESM@UCBM dataset contains 1138 images, with 569 low-energy and 569 subtracted images. In the training conducted within the scope of this study, data sets were approached from 20 different angles. The dataset was trained as 3-class (Normal, Benign, Malignant) and 2-class (Benign, Malignant), separately and together. Data augmentation methods were also applied to these datasets and the data was retrained. In this context, ResNet50, DenseNet121, EfficientNetB0, VGG16 and VGG19 architectures were applied, and as a result of five-fold cross-validation, an accuracy of 76.46%, sensitivity of 95.35% and F1-score of 84.81% were obtained with the DenseNet121 model. The findings suggest that the proposed approach could serve as a valuable tool in aiding the diagnosis of breast cancer. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12885/3538 | |
| dc.identifier.yoktezid | 918594 | |
| dc.institutionauthor | Doğru, Şeyma | |
| dc.language.iso | tr | |
| dc.publisher | Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Derin öğrenme | |
| dc.subject | Transfer öğrenme | |
| dc.subject | Meme kanseri | |
| dc.subject | Kontrastlı Spektral Mamografi | |
| dc.subject | Deep learning | |
| dc.subject | Transfer learning | |
| dc.subject | Breast cancer | |
| dc.subject | Contrast-enhanced spectral mammography | |
| dc.title | Derin öğrenme teknikleri kullanılarak mamografi görüntüleri üzerinden meme kanseri tahmini | |
| dc.title.alternative | Breast cancer prediction from mammography images using deep learning techniques | |
| dc.type | Master Thesis |
