ResearchBib Share Your Research, Maximize Your Social Impacts
Sign for Notice Everyday Sign up >> Login

Derin Öğrenme Yardımıyla Aktif Termogramlar Üzerinden Meme Lezyonlarının Sınıflandırması

Journal: Süleyman Demirel University Faculty of Arts and Science Journal of Science (Vol.18, No. 2)

Publication Date:

Authors : ; ; ;

Page : 140-156

Keywords : Termal görüntüleme; Meme lezyonu; Sınıflandırma; Bölütleme; Mask R-CNN; U-Net; Transfer öğrenme;

Source : Downloadexternal Find it from : Google Scholarexternal

Abstract

Son yıllarda bilgisayar donanımları ile paralel olarak gelişim gösteren yapay zeka çalışmaları klinikte uzmanların erken teşhis ile olası metastazın önüne geçerek hasta sağ kalımını artırmaktadır. Literatürde klinikte kanser teşhisini gerçekleştiren çokça çalışma mevcuttur. Bu çalışmalarda, kanser sınıflandırmasının yapılması için makine öğrenmesi ve derin öğrenme uygulamaları sıklıkla uygulanmaktadır. Benzer şekilde çalışmada termal meme görüntüleri üzerinden derin öğrenme yöntemleri ile meme kanseri teşhisi ele alınmıştır. Çalışmada kullanılan görüntüler açık erişim olarak sunulan DMR-IR veri setinden alınmıştır. Veri setinden alınan görüntüler üzerinde bazı önişlemler yapılmış, ardından meme bölgelerinin bölütlenmesi için manuel ve otomatik olmak üzere iki farklı bölütleme metodu uygulanmıştır. Manuel bölütleme işleminde, VIA ile lokalizasyon bilgisi kaydedilen meme bölgelerinin maskesi oluşturup orijinal görüntüden çıkarılarak bölütleme gerçekleştirilmiştir. Otomatik bölütleme işleminde ise Mask R-CNN ve U-NET ile bölütleme yapılmıştır. Bu iki metot için bölütleme performans analizi yapılmış ve 0.9896 doğruluk, 0.9413 Dice ve 0.8900 Jaccard değerini gerçekleştiren Mask R-CNN ile sınıflandırma işlemleri çalışılmıştır. Manuel ve Mask-RCNN metodu ile bölütlenen görüntülerden oluşan termogramlar ile ön eğitimli yedi farklı (InceptionV3, MobileNet, MobileNetV2, ResNet50, VGG16, VGG19 ve Xception) mimari kullanılarak meme kanseri sınıflandırması gerçekleştirilmiştir. Sonuç olarak test verilerinde %100 sınıflandırma başarısını doğruluk, kesinlik, duyarlılık ve F1 Skoru ile MobileNet ve InceptionV3 mimarileri sağlamıştır.

Last modified: 2023-09-25 07:09:20