Geri Dön

Yapay zeka teknikleri kullanılarak göğüs ultrason tekniklerinin sınıflandırılması

Classification of chest ultrasound images using artificial i̇ntelligence techniques

PDF İndir

  1. Tez No: 973934
  2. Yazar: ESRA KUTLU
  3. Danışmanlar: DOÇ. DR. AZİZ AKSOY, DOÇ. DR. MUHAMMED YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Göğüs Hastalıkları, Mühendislik Bilimleri, Bioengineering, Chest Diseases, Engineering Sciences
  6. Anahtar Kelimeler: CNN, Derin Öğrenme, Meme Kanseri, Sınıflandırıcılar, Yapay Zeka, Hücresel yapay sinir ağları, İnsan-yapay zeka etkileşimi, CNN, Deep Learning, Breast Cancer, Classifiers, Artificial Intelligence, Cellular artificial neural networks, Human-artificial intelligence interaction
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Malatya Turgut Özal Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mühendislik Ana Bilim Dalı (disiplinlerarası)
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, meme kanseri teşhisinde ultrason görüntülerini kullanarak iyi ve kötü huylu lezyonları ayırt etmek amacıyla çeşitli önceden eğitilmiş konvolüsyonel sinir ağı (CNN) modelleri kullanılarak bir sınıflandırma sistemi geliştirilmiştir. Araştırmada temel olarak, Ultrasound Breast Images for Breast Cancer (UBIBC) veri setinden elde edilen 9.016 ultrason görüntüsü kullanılmıştır. Veri seti, dengeli bir şekilde 4.074 benign ve 4.042 malign eğitim görüntüsü ile 500 benign ve 400 malign test görüntüsünden oluşmaktadır. Görsellerin orijinal boyutu 700×460 piksel olup, tüm görüntüler modellerle uyumlu olacak şekilde 224×224×3 boyutuna yeniden boyutlandırılarak normalize edilmiştir. RGB renk kanallı ve 8-bit derinlikteki bu görseller, eğitim öncesi önişlem sürecinden geçirilmiştir. Modelleme aşamasında ResNet50, DenseNet121, EfficientNetB0, MobileNetV3 ve ShuffleNetV2 gibi farklı CNN mimarileri kullanılmış; transfer öğrenme yöntemi ile bu modellerden öznitelikler çıkarılarak çeşitli denetimli makine öğrenmesi sınıflandırıcıları (KNN, Cubic SVM, Linear Discriminant vb.) ile sınıflandırma gerçekleştirilmiştir. Deneysel çalışmalar Google Colab ortamında, T4 GPU desteğiyle Python programlama dili kullanılarak yürütülmüştür. Modellerin performansları doğruluk (accuracy), hassasiyet (precision), duyarlılık (recall), F1 skoru, eğitim süresi ve tahmin hızı gibi metrikler ile karşılaştırılmıştır. Elde edilen sonuçlara göre, EfficientNetB0 + Cubic SVM mimarisi %96.73 doğruluk oranı ile yüksek başarı gösterirken, ResNet50 + KNN (Fine) modeli %96.18 doğruluk ile öne çıkmıştır. Ayrıca, hafif yapılı MobileNetV3 + ShuffleNetV2 mimarilerinin birleştirilmesiyle çıkarılan öznitelikler, KNN Fine sınıflayıcıyla %98.12 doğruluk oranına ulaşarak çalışmanın en başarılı sonuçlarını üretmiştir. Bu birleşim hem yüksek sınıflandırma başarısı hem de düşük eğitim süresi (0.01 sn) ile dikkat çekmektedir. ROC eğrileri incelendiğinde, tüm modellerin AUC değerlerinin 0.95'in üzerinde olduğu ve özellikle yanlış negatif oranlarının çok düşük olduğu gözlemlenmiştir. Bu durum, tıbbi uygulamalar açısından modelin güvenilirliğini desteklemektedir. Sonuç olarak, farklı CNN mimarileriyle çıkarılan özniteliklerin klasik makine öğrenmesi sınıflandırıcılarıyla sınıflandırılması, ultrason görüntüleri üzerinden meme kanseri teşhisinde oldukça başarılı sonuçlar vermektedir. Özellikle MobileNetV3 + ShuffleNetV2 + KNN Fine kombinasyonu, mobil ve düşük kaynaklı tıbbi sistemlerde kullanılabilecek düzeyde hafif, hızlı ve yüksek doğruluklu bir çözüm sunmaktadır. Bu çalışma, derin öğrenme tabanlı teşhis sistemlerinin, geleneksel yöntemlere kıyasla daha doğru, hızlı ve uygulanabilir alternatifler sunabileceğini ortaya koymaktadır. Gelecekte, modelin daha büyük ve çeşitli veri kümelerinde denenerek genellenebilirliği artırılması hedeflenmektedir.

Özet (Çeviri)

In this study, a classification system was developed to distinguish between benign and malignant lesions in breast cancer diagnosis using ultrasound images through various pretrained convolutional neural network (CNN) models. The research primarily utilized a total of 9,016 ultrasound images obtained from the Ultrasound Breast Images for Breast Cancer (UBIBC) dataset. The dataset consists of a balanced distribution of 4,074 benign and 4,042 malignant training images, along with 500 benign and 400 malignant test images. The original resolution of the images is 700×460 pixels, and all images were resized to 224×224×3 and normalized to be compatible with the CNN architectures. The RGB images with 8-bit depth per channel underwent preprocessing prior to model training. In the modeling phase, multiple CNN architectures such as ResNet50, DenseNet121, EfficientNetB0, MobileNetV3, and ShuffleNetV2 were employed. Feature extraction was performed using transfer learning, and the extracted features were classified using various supervised machine learning algorithms, including KNN, Cubic SVM, and Linear Discriminant. All experiments were conducted using the Python programming language on Google Colab with T4 GPU support. The models were evaluated based on performance metrics including accuracy, precision, recall, F1-score, training time, and prediction speed. According to the experimental results, the EfficientNetB0 + Cubic SVM architecture achieved a high accuracy of 96.73%, while the ResNet50 + KNN (Fine) model also stood out with 96.18% accuracy. Furthermore, features extracted from the combined lightweight architectures MobileNetV3 + ShuffleNetV2 reached 98.12% accuracy when classified using KNN Fine, producing the best results in the study. This combination was notable not only for its high classification success but also for its minimal training time (0.01 seconds). Upon examination of ROC curves, all models had AUC values above 0.95, and false negative rates were found to be remarkably low, which is particularly critical in medical applications and diagnostic safety. In conclusion, feature extraction from different CNN architectures followed by classification using classical machine learning algorithms yields highly successful results in breast cancer diagnosis based on ultrasound images. In particular, the MobileNetV3 + ShuffleNetV2 + KNN Fine combination provides a lightweight, fast, and high-accuracy solution suitable for mobile and low-resource medical systems. This study demonstrates that deep learning-based diagnostic systems can offer more accurate, faster, and more applicable alternatives compared to traditional methods. For future work, the model's generalizability will be explored by applying it to larger and more diverse datasets.

Benzer Tezler

  1. Tez No

    847190

    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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Tez No

    887618

    Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks

    İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri

    AYŞE BETÜL BÜYÜKŞAR

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM ALTUNBAŞ

  3. Tez No

    153941

    Özellik seçme (FS) ile yapay bağışıklık tanıma sistemi (AIRS) kullanılarak medikal teşhise gidiş

    Going to medical diagnosis by using artificial immune recognition systems (AIRS) with feature selection (FS)

    KEMAL POLAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF.DR. MUSTAFA ŞAHİN

    Y.DOÇ.DR. SALİH GÜNEŞ

  4. Tez No

    980290

    A real tıme mental stress predıctıon usıng multı-modal sensor data and explaınable aı (XAI)

    Çok modlu sensör verileri ve açıklanabilir yapay zeka (XAİ) kullanarak gerçek zamanlı zihinsel stres tahmini

    HEBA H.M. JADALLAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilim ve Teknolojiİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    Prof. Dr. RAFET AKDENİZ

    PROF. DR. MHD WASIM RAED

  5. Tez No

    462917

    Göğüs hastaliklarinin teşhis edilmesinde makine öğrenmesi algoritmalarinin kullanilmasi

    chest diseases diagnosis based on machine learning algorithms

    AMANI YAHYAOUI

    Doktora

    Türkçe

    Türkçe

    2017

    Göğüs HastalıklarıSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. NEJAT YUMUŞAK

Geri Dön