Derin öğrenme yöntemi ile MLO ve CC görüntüleri kullanılarak meme kanserinin sınıflandırılması

Bu çalışmada, meme kanseri teşhisi için popüler derin öğrenme modellerinden olan ResNet50 ve InceptionV3 mimarileri karşılaştırılmıştır. Kadınlar arasında en yaygın şekilde görülen malign neoplazilerden biri olan meme kanseri, zamanında tanı konulmadığında mortalite oranlarında ciddi artışlara neden olabilmektedir Bu nedenle, erken teşhis için kullanılan mamografik görüntülerin doğru bir şekilde değerlendirilmesi büyük önem taşımaktadır. Ancak mamografi görüntülerinin manuel olarak yorumlanması, çeşitli hata risklerini barındırmakta ve sonuçların doğruluğunu etkileyebilmektedir. Bu bağlamda, yapay zeka ve derin öğrenme tabanlı otomatik tanı sistemleri, tıbbi görüntülemede meme kanseri tespiti için önemli bir alternatif olarak öne çıkmaktadır. DDSM (Digital Database for Screening Mammography) veri seti kullanılarak yapılan çalışmada, her iki modelin mamografik görüntüler üzerinden meme kanseri sınıflandırma performansları incelenmiştir. Bu süreçte, hem Cranio-Caudal (CC) hem de Medio-Lateral Oblique (MLO) açılardan alınan mamografi görüntüleri kullanılarak, modellerin kategorik doğruluk metrikleri üzerinden karşılaştırmaları yapılmıştır. Elde edilen sonuçlar, ResNet50 ve InceptionV3 modellerinin meme kanseri sınıflandırmasında farklı performanslar sergilediğini göstermektedir. ResNet50 modeli özellikle CC görüntülerinde daha yüksek doğruluk oranları sunarken, InceptionV3 modeli hem CC hem de MLO görüntülerinde tutarlı ve rekabetçi bir performans sergilemiştir. Sonuçlar, her iki modelin de otomatik meme kanseri teşhisinde etkin bir şekilde kullanılabileceğini gösterirken, farklı veri türlerinde ve görüntü açılarında performans farklılıklarının olduğu görülmüştür. Bu çalışma, yapay zeka tabanlı otomatik tanı sistemlerinin meme kanseri teşhisinde kullanılabilirliğine dair önemli bulgular sunmakta ve bu sistemlerin klinik uygulamalarda yaygınlaştırılmasına yönelik potansiyel katkılar sağlamaktadır.