Mamografi görüntüleri üzerinde derin öğrenme ile BI-RADS sınıflandırması
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Meme kanseri kadınlarda kanserden ölümlerin ikinci en sık nedenidir. Bu kadar yaygın görülen bir hastalığın tedavi edilebilir bir dönemde saptanması oldukça önemlidir. Günümüzde siber güvenlik, dil çevirileri ve sağlık hizmetleri gibi birçok uygulama alanında yapay zeka yöntemleri kullanılmaktadır. Bu uygulamalara mamografi görüntüleri üzerinde kanser tespiti, risk seviyesi tespiti ve kuşkulu bölgelerin bulunması gibi konularda geliştirilen yapay zeka modelleri dahildir. Amerikan Radyoloji Koleji tarafından geliştirilen BI-RADS sistemi mamografi görüntülerinde kanser seviyesinin belirlenmesinde radyologlar tarafından bir standart olarak kullanılmaktadır. 6 adet seviye içeren BI-RADS seviyelerinden 3. ve 4. seviyeler, sırasıyla iyi huylu ve kötü huylu meme kanseri ihtimali olan hastaları temsil etmektedir. Literatürde BI-RADS 3 ve BI-RADS 4 olarak etiketlenen görüntülerin sınıflandırılmasında bir belirsizlik bulunmaktadır. Bu tezde CBIS-DDSM adlı açık veri setinde bulunan mamografi çekimleri kullanılarak görüntüleri BI-RADS 3 ve BIRADS 4 sınıflarından birine sınıflandıran bir yapay zeka modeli geliştirilmiştir. Bu amaçla evrişimli sinir ağları ile bir sınıflandırma modeli eğitilip, veri artırımı ve transfer öğrenme yöntemleri ile başarılı bir derin öğrenme modeli geliştirilmesi amaçlanmıştır.
Breast cancer is the second most common cause of cancer death in women. It is very important to detect such a common disease in a treatable period. Today, artificial intelligence methods are used in many application areas such as cyber security, language translations and health services. These applications include artificial intelligence models developed on subjects such as cancer detection, risk level detection and finding suspicious areas on mammography images. The BI-RADS system, developed by the American College of Radiology, is used as a standard by radiologists in determining the level of cancer in mammography images. Levels 3 and 4 of the 6 levels of BI-RADS represent patients with a probability of benign and malignant breast cancer, respectively. There is an uncertainty in the classification of images labeled as BI-RADS 3 and BI-RADS 4 in the literature. In this thesis, an artificial intelligence model has been developed that classifies images into one of BI-RADS 3 and BIRADS 4 classes by using mammography images in the CBIS-DDSM open dataset. For this purpose, it is aimed to train a classification model with convolutional neural networks and develop a successful deep learning model with data augmentation and transfer learning methods.
Breast cancer is the second most common cause of cancer death in women. It is very important to detect such a common disease in a treatable period. Today, artificial intelligence methods are used in many application areas such as cyber security, language translations and health services. These applications include artificial intelligence models developed on subjects such as cancer detection, risk level detection and finding suspicious areas on mammography images. The BI-RADS system, developed by the American College of Radiology, is used as a standard by radiologists in determining the level of cancer in mammography images. Levels 3 and 4 of the 6 levels of BI-RADS represent patients with a probability of benign and malignant breast cancer, respectively. There is an uncertainty in the classification of images labeled as BI-RADS 3 and BI-RADS 4 in the literature. In this thesis, an artificial intelligence model has been developed that classifies images into one of BI-RADS 3 and BIRADS 4 classes by using mammography images in the CBIS-DDSM open dataset. For this purpose, it is aimed to train a classification model with convolutional neural networks and develop a successful deep learning model with data augmentation and transfer learning methods.
Açıklama
Anahtar Kelimeler
Derin Öğrenme, Sınıflandırma, Transfer Öğrenme, Evrişimli Sinir Ağları, Mamografi, Deep Learning, Classification, Transfer Learning, Convolutional Neural Networks, Mammography
