Derin öğrenme teknikleri kullanılarak mamografi görüntüleri üzerinden meme kanseri tahmini

Teknolojik ilerlemeler, birçok sektörde olduğu gibi sağlık alanında da akıllı makinelerin karar verme süreçlerine dahil edilmesine olanak tanımıştır. İnsanlardan daha hızlı analitik düşünebilme ve ilişkileri saptama yetenekleri sayesinde bu makineler, uzmanlara doğru kararların alınmasında önemli ölçüde destek sağlamaktadır. Özellikle kanserin erken teşhisinin hayati öneme sahip olması, bu alanda yapılan yapay zeka çalışmalarını hızlandırmıştır. Kanserin erken tanısı, hastaların sağkalım oranlarının artırılması, organ kaybının önlenmesi ve radyoterapi, kemoterapi gibi tedavilerin en az düzeyde uygulanması bakımından kritik önem taşımaktadır. Memede oluşan küçük lezyonların tespiti genellikle mümkün olmamaktadır. Bu da hastalığın ilerlemesine ve ileri safhalarda fark edilmesine sebep olmaktadır. Kontrastlı Spektral Mamografi (CESM), bu tespit zorluğunu gidermek için geliştirilmiş yeni bir görüntüleme tekniğidir. Meme hücrelerine enjekte edilen kontrast madde ile lezyonları görünür kılan Kontrastlı Spektral Mamografi, dijital mamografide gözden kaçabilen lezyonları yakalamaya yardımcı olur. Doktorların daha güvenilir tanı koymasına ve hastalığa erken fark edilmesine olanak tanır. Bu tez çalışmasında, meme kanserinin teşhis sürecine odaklanılarak Kontrastlı Spektral Mamografi (CESM) görüntüleri kullanılmıştır. Çalışmada iki farklı veri seti üzerinde çeşitli derin öğrenme modelleri eğitilerek analizler gerçekleştirilmiştir. Kullanılan bu veri setleri CDD-CESM veri seti ve CESM@UCBM veri setleridir. CDD-CESM veri setinde toplamda 2006 görüntü bulunmaktadır. Bu görüntülerin 1003 tanesi düşük enerjili görüntü, 1003 tanesi ise bileşik görüntüdür. CESM@UCBM veri setinde ise 1138 adet görüntü bulunmaktadır. Bu görüntülerden 569 tanesi düşük enerjili, 569 tanesi ise bileşik görüntüdür. Bu çalışma kapsamında yapılan eğitimlerde veri setlerine 20 farklı açıdan yaklaşılmıştır. Veri seti 3 sınıflı (Normal, İyi Huylu, Kötü Huylu) ve 2 sınıflı (İyi Huylu, Kötü Huylu) olarak, ayrı ayrı ve birlikte olacak şekilde eğitilmiştir. Aynı zamanda bu ele alım şekillerine veri artırma yöntemleri uygulanarak veriler tekrar eğitilmiştir. Bu kapsamda, ResNet50, DenseNet121, EfficientNetB0, VGG16 ve VGG19 mimarileri uygulanmış ve beşli çapraz doğrulama sonucunda DenseNet121 modeliyle %76,46 kesinlik (precision), %95,35 duyarlılık (recall) ve %84,81 F1-Skor değerleri elde edilmiştir. Bu sonuçlar, önerilen yöntemin meme kanseri tanısında etkin bir destek aracı olabileceğini göstermektedir. Anahtar kelimeler: Derin öğrenme, Transfer öğrenme, Meme kanseri, Kontrastlı Spektral Mamografi.