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.
Publisher
Suleyman Demirel Universitesi Fen Edebiyat Fakultesi Fen Dergisi
Subject
General Economics, Econometrics and Finance
Reference39 articles.
1. N. Harbeck and M. Gnant, "Early breast cancer: treatment concepts and biology," J. Breast Cancer, vol. 18, no. 4, pp. 303-312, 2016.
2. H. Sung et al., "Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries," CA: a cancer journal for clinicians, vol. 71, no. 3, pp. 209-249, 2021.
3. M. d. F. O. Baffa and L. G. Lattari, "Convolutional neural networks for static and dynamic breast infrared imaging classification," in 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), 2018: IEEE, pp. 174-181.
4. C. N. Karim, O. Mohamed, and T. Ryad, "A new approach for breast abnormality detection based on thermography," Medical Technologies Journal, vol. 2, no. 3, pp. 245-254, 2018.
5. J. Zuluaga-Gomez, Z. Al Masry, K. Benaggoune, S. Meraghni, and N. Zerhouni, "A CNN-based methodology for breast cancer diagnosis using thermal images," Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, vol. 9, no. 2, pp. 131-145, 2021.