Breast cancer detection using convolutional neural network
Evrişimsel sinir ağları kullanılarak meme kanseri tespiti
- Tez No: 971025
- Danışmanlar: DOÇ. DR. MAHİR KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Meme kanseri, dünya çapında kadınları etkileyen ve hayati tehlike arz eden en yaygın malignitelerden biri olmaya devam etmektedir. Bu nedenle, hayatta kalma oranlarının ve tedavi sonuçlarının iyileştirilmesi için zamanında ve doğru tanı müdahaleleri gerekmektedir. Ultrason görüntüleme, non-invaziv olması, maliyet etkinliği ve özellikle mamografi ve MRI'nin kolayca ulaşılamadığı kaynakları kısıtlı ortamlarda yoğun meme dokularını görüntüleme konusunda etkinliği nedeniyle kritik bir tanı aracı olarak işlev görmektedir. Ultrason görüntüleri, duyarlılık ve özgüllük açısından sınırlamaları olan, genellikle değişken tanı yorumlarına tabidir. Bu sorunlar, bu tür akıllı otomatik karar destek sistemlerine olan ihtiyacı vurgulamaktadır. Meme ultrason görüntülerinin sınıflandırılması için, özenle optimize edilmiş, tamamen özelleştirilmiş yeni bir Konvolüsyonel Sinir Ağı (CNN) mimarisi öneriyoruz. Bu çalışmanın sınıflandırması, klinik olarak önemli üç kategoriyi içermektedir: normal, malign ve benign. Meme Ultrason Görüntüleri (BUSI) veri setini kullandık ve küçük veri seti boyutu, sınıf dengesizliği ve görüntü gürültüsü gibi içsel sorunları, döndürme, çevirme, çeviri, kesme dönüşümü ve parlaklık ayarı gibi çeşitli artırma işlemleriyle çözdük. Model, gerçek dünyadaki varyasyonlar arasında etkili bir şekilde genelleme yapabildiğinden, elde edilen 6,000 görüntülük veri seti, eğitim verilerinin çeşitliliğini ve temsil gücünü büyük ölçüde artırdı. Önerilen CNN mimarisi, hiyerarşik özellik çıkarma, toplu normalleştirme, bırakma düzenlemesi ve ReduceLROnPlateau zamanlayıcı aracılığıyla uyarlanabilir öğrenme oranlarını içeren en son teknoloji derin öğrenme tekniklerini entegre eder. En iyi performans gösteren model, %98.83 makro ortalama F1 puanı ve test doğruluğu elde etti. Bu sonuç, öğrenme oranları, toplu boyutları ve giriş çözünürlükleri arasında geniş kapsamlı hiperparametre ayarlaması sayesinde elde edildi. Önceden var olan bilgi olmadan eğitilmiş olmasına rağmen, model MobileNetV2, VGG16, VGG19, InceptionV3, ResNet50, EfficientNetB0, DenseNet121 ve Xception gibi popüler transfer 4 öğrenme modelleriyle karşılaştırıldığında daha iyi performans gösterdi. Bu sonuçlara göre, hesaplama verimliliği, yorumlanabilirlik ve yüksek teşhis doğruluğu, alana özgü, hafif CNN modelleriyle elde edilebilir. Bulgularımıza göre, özel olarak tasarlanmış derin öğrenme çözümleri kritik bir rol oynamakta ve özellikle kaynakların kısıtlı olduğu ortamlarda erken meme kanseri teşhisinde ve tıbbi görüntülemede dönüştürücü potansiyellerini ortaya koymaktadır.
Özet (Çeviri)
Breast cancer continues to be one of the most popular as well as life-threatening malignancies because it affects women globally, demanding timely along with accurate diagnostic interventions for improved survival rates and therapeutic outcomes. Ultrasound imaging acts as a critical diagnostic tool because of its non-invasiveness as well as cost-effectiveness, plus efficacy when visualizing dense breast tissues, especially in low-resource settings where mammography and MRI may not be readily available. Ultrasound images get diagnostic interpretation that is customarily variable, with limitations in sensitivity and specificity. These issues do underscore the need for such smart automated decision-support systems. For breast ultrasound image classification, we propose a novel fully customized Convolutional Neural Network (CNN) architecture carefully optimized. This study's classification includes three clinically important categories: normal, malignant, and benign. We used the Breast Ultrasound Images (BUSI) dataset, and we tackled intrinsic issues like small dataset size, class imbalance, and image noise via a diverse augmentation pipeline, which included rotation, flipping, translation, shear transformation, and brightness adjustment. Because the model could generalize effectively across variations of the real world, the resulting dataset of 6,000 images greatly improved the diversity and representativeness of training data. The proposed CNN architecture integrates state-of-the-art deep learning techniques that include hierarchical feature extraction, batch normalization, dropout regularization, along with adaptive learning rates through a ReduceLROnPlateau scheduler. The best performing model did achieve 98.83% macro-averaged F1-score and also test accuracy. This result was thanks to wide-ranging hyperparameter tuning across learning rates, batch sizes, and input resolutions. Although trained without pre-existing knowledge, the model showed better 6 performance when evaluated against popular transfer learning models like MobileNetV2, VGG16, VGG19, InceptionV3, ResNet50, EfficientNetB0, DenseNet121, and Xception. Computational efficiency, interpretability, as well as high diagnostic accuracy can be achievable via domain-specific, lightweight CNN models according to these results. According to our findings, tailored deep learning solutions play a critical role, highlighting their transformative potential in early breast cancer detection and in helping medical imaging, especially inside resource-constrained environments.
Benzer Tezler
- Breast cancer detection with convolutional neural network using ultrasound images
Başlık çevirisi yok
JIHAD JAMAL OTHMAN OTHMAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASEMİN ÇETİN KAYA
- Tumor detection in breast cancer histopathological images using convolutional neural networks
Meme kanseri histopatoloji görüntülerinde evrişimsel sinir ağları kullanarak tümör tespiti
ZEKİ ŞAHBAZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BEKİR HAKAN AKSEBZECİ
- Transfer öğrenmesi tabanlı hibrit evrişimsel sinir ağı modelleri kullanılarak meme kanseri teşhisi
Breast cancer detection using transfer learning based hybrid convolutional neural network models
CHINGIZ SEYIDBAYLI
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiYıldız Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CENK ULU
- Mamografi görüntüleri kullanarak evrişimsel sinir ağı tabanlı meme kanserinin erken tespiti
Convolutional neural network based early detection of breast cancer using mammography images
TUĞÇE ÇOBAN
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. UÇMAN ERGÜN
- Brest cancer detection and image evaluation using amugented deep convolutional neural network
Genişletilmiş derin evrişimsel sinir ağı kullanarak göğüs kanseri tespiti ve görüntü değerlendirmesi
SAADALDEEN RASHID AHMED AHMED
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
DOÇ. DR. ADİL DENİZ DURU