Mamografi görüntülerinde meme kanserinin belirlenmesi için evrişimli sinir ağı modellerinin performanslarının incelenmesi
Examining the performance of convolutional neural network models for detecting breast cancer in mammography images
- Tez No: 942926
- Danışmanlar: PROF. DR. JALE KARAKAYA KARABULUT
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Görüntü İşleme, Derin Öğrenme, Evrişimli Sinir Ağları, Meme Kanseri, Mamografi, INbreast, Image Processing, Deep Learning, Convolutional Neural Networks (CNN), Breast Cancer, Mammography, INbreast
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kurt, B., Mamografi Görüntülerinde Meme Kanserinin Belirlenmesi için Evrişimli Sinir Ağı Modellerinin Performanslarının İncelenmesi, Hacettepe Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik Programı Yüksek Lisans Tezi, Ankara, 2025. Meme kanseri, kadınlarda en sık görülen kanser türlerinden biri olup, dünya genelinde her yıl milyonlarca insanı etkilemektedir. Erken teşhis, meme kanserine bağlı ölüm oranlarının azaltılmasında hayati bir öneme sahiptir. Mamografi, meme kanserinin erken teşhisinde kullanılan temel görüntüleme yöntemlerinden biridir. Ancak, mamografi görüntülerinin analizinde yanlış pozitif ve negatif teşhis oranlarının yüksek olması, tanı sürecinin doğruluğunu etkileyebilmektedir. Bu zorlukların üstesinden gelmek için bilgisayar destekli tanı (CAD-Computer Aided Diagnosis) sistemleri geliştirilmiştir. Günümüzde, bu sistemlerde yapay zeka tabanlı derin öğrenme yöntemlerinden yararlanılmaktadır. Bu çalışmada, mamografi görüntülerinden meme kanseri teşhisi yapmak amacıyla ResNet50, DenseNet121, DenseNet201 ve CheXNet gibi farklı evrişimli sinir ağı (CNN) mimarilerinin performansları karşılaştırılmıştır. Çalışmada kullanılan görüntüler, yüksek kaliteli dijital mamografi görüntülerini içeren açık erişimli INbreast veri setinden alınmıştır. Bu veri seti, %75 eğitim ve %25 test oranında bölünmüş, görüntüler üzerinde normalize etme, boyutlandırma gibi ön işleme teknikleri uygulanmıştır. Modeller, transfer öğrenme yöntemiyle eğitilmiş ve doğruluk, duyarlılık, seçicilik, F1 skoru ve AUC gibi metriklerle değerlendirilmiştir. Araştırma sonuçları, DenseNet201 modelinin tüm metriklerde en yüksek performansı gösterdiğini ortaya koymuştur. DenseNet121 ve CheXNet modelleri dengeli bir performans sergilerken, ResNet50 modeli diğer modellere kıyasla daha düşük doğruluk oranı sunmuştur. Bu çalışma, farklı CNN mimarilerinin meme kanseri teşhisi için avantajlarını ve sınırlılıklarını karşılaştırmalı olarak ele alarak literatüre önemli bir katkı sunmaktadır. Sonuçlar, DenseNet201 modelinin meme kanseri teşhisinde en etkili model olduğunu ve klinik uygulamalarda kullanılabilecek bir seçenek sunduğunu göstermektedir.
Özet (Çeviri)
KURT, B. Determination of Breast Cancer in Mammographic Images: A Comparative Study on the Performance of Convolutional Neural Network Models, Hacettepe University, Graduate School of Health Sciences, Biostatistics Program, Master's Thesis, Ankara, 2025. Breast cancer is one of the most common cancers in women, affecting millions of people worldwide each year. Early diagnosis is vital in reducing mortality associated with breast cancer. Mammography is the primary imaging method used for early detection, yet it is susceptible to high rates of false positives and negatives, impacting the accuracy of diagnostic processes. Recently, computer-aided diagnosis (CAD) systems have increasingly utilized artificial intelligence, especially deep learning-based approaches. In this study, the performances of different convolutional neural network (CNN) architectures, including ResNet50, DenseNet121, DenseNet201, and CheXNet, were compared for the task of breast cancer detection using mammographic images. The publicly available INbreast dataset of high-quality digital mammograms was employed, along with preprocessing techniques (normalization, resizing, etc.) and data splitting (75% training, 25% testing). The models were trained via transfer learning and evaluated on accuracy, sensitivity, specificity, F1 score, and AUC metrics. Findings indicate that DenseNet201 outperforms the other models across all metrics. DenseNet121 and CheXNet also exhibit balanced performance, while ResNet50 presents relatively lower accuracy. This research provides a valuable contribution to the literature by examining both the advantages and limitations of CNN architectures for breast cancer diagnosis, suggesting DenseNet201 as a highly effective model for potential clinical applications.
Benzer Tezler
- Sarıcakaya (Eskişehir) bölgesi bitümlü şeyllerinde organik jeokimyasal araştırma
Organic geochemical investigation of bituminous shales of Sarıcakaya-Eskişehir region
NECLA AKÇA
Yüksek Lisans
Türkçe
1987
Jeoloji MühendisliğiAnkara ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖNÜL BÜYÜKÖNAL
- Nonfonksiyone böbrekte ultrasonografi ve bilgisayarlı tomografi bulgularının değerlendirilmesi
Başlık çevirisi yok
HÜSEYİN SOYDAN
Tıpta Uzmanlık
Türkçe
1987
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. OKTAY ÇOKYÜKSEL
- Patolojik meme başı akıntılarında galaktografik tetkikin tanıya katkısı
Başlık çevirisi yok
ŞERAFETTİN ARKUN
Tıpta Uzmanlık
Türkçe
1987
Onkolojiİstanbul ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. İLHAN KILIÇÖZLÜ
- Burukan Aşireti'nin sosyo kültürel ve ekonomik yapısı
Başlık çevirisi yok
AHMET ÖZER
Yüksek Lisans
Türkçe
1988
SosyolojiHacettepe ÜniversitesiSosyoloji Ana Bilim Dalı
DOÇ. DR. CİHAT ÖZÜNDERE