MEME KANSERİ TEŞHİSİ VE ALT TİPLENDİRMESİ İÇİN YENİ BİR DİJİTAL GÖRÜNTÜ İŞLEME TEKNİĞİNİN GELİŞTİRİLMESİ
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: Marya Elaştar
Danışman: İman Askerbeyli
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Meme kanseri, hasta sonuçlarını iyileştirmek için erken ve doğru teşhisin önemine işaret eden küresel bir sağlık sorunudur. Tıbbi görüntüleme için yapay zeka (özellikle derin öğrenme) büyük bir potansiyel göstermiştir. Sunulan çalışma, CBIS-DDSM veri setini kullanarak meme lezyonlarını iyi huylu veya kötü huylu olarak sınıflandırmak için en yeni derin öğrenme modellerini (DenseNet121, NASNetLarge, Xception ve Swin Transformer) kullanmanın etkinliğini incelemektedir. Araştırma, ileri düzey hesaplama tekniklerini kullanarak meme kanseri teşhisindeki önemli sorunları ele almayı amaçlamaktadır. Çalışmada, derin öğrenme modellerinin değerlendirilmesi, doğruluk, hassasiyet, geri çağırma (recall), F1 skoru ve ROC-AUC gibi hassas metrikler kullanılarak yapılmıştır. Ayrıca, modellerin mimarisi ile meme kanseri görüntülemesine uygunlukları da incelenmiştir. Elde edilen sonuçlara göre NASNetLarge, yüksek boyutlu veri değişkenliğine duyarlılığı nedeniyle genelleme konusunda zorluk yaşarken, DenseNet121 ve Xception güçlü özellik çıkarma yetenekleri sergilemiştir. Hiyerarşik dikkat mekanizmaları sayesinde, Swin Transformer, tıbbi görüntülerin karmaşık desenlerine etkili bir şekilde uyum sağlamıştır. Yanlış sınıflandırma durumlarının araştırılması, sunulan çalışmanın bir diğer önemli bileşenidir. Model hataları, belirsiz lezyon sınırları, kötü huylu lezyonların iyi huylu özellikleri taklit etmesi ve veri seti artefaktları gibi faktörlerden kaynaklanmaktadır. Çalışmada, kontrast artırma ve hedeflenmiş veri artırma gibi gelişmiş ön işleme teknikleri bu sorunları çözmek için kullanılmıştır. Bu teknikler, CBIS-DDSM veri setinde yanlılığını azaltmış ve modellerin dayanıklılığını artırmıştır. Bu çalışma, derin öğrenmenin meme kanseri teşhisindeki dönüştürücü potansiyelini vurgulamakta ve Swin Transformer'ı doğruluk ve sağlamlık açısından bir kıyaslama modeli olarak öne çıkarmaktadır. Çalışma, umut verici ilerlemeler kaydederken, veri seti değişkenliği ve gerçek dünyada uygulanabilirliği gibi zorlukların daha fazla incelenmesine odaklanmaktadır. Bu çalışma, klinisyenler ve yapay zeka araştırmacıları arasında işbirlikçi çabaların teşvik edilmesiyle, yapay zeka ile klinik uygulama arasındaki farkı kapatma amacına katkıda bulunmaktadır. Sonuç olarak, bu çalışma tanı sonuçlarını ve hasta bakımını iyileştirecektir.