Mamografi görüntülerinin değerlendirilmesinde kullanılan yeni bir karar destek sistemi tasarımı

Meme kanseri, kadınlarda kansere bağlı ölümlerde ilk sırada yer almaktadır. Dünya genelinde kadınların yakalandığı kanser hastalıklarının yaklaşık %24,5'ini, ülkemizde ise %23,9'unu meme kanseri oluşturmaktadır. Hastalığın erken teşhisi, tedavi için en hayati adımdır. Mamografi cihazı ile elde edilen radyografik görüntüler, meme kanserinin erken teşhisinde en sık kullanılan yöntemlerden biridir. Fakat çekimlerde kullanılan teknoloji, radyoloğun tecrübesi, yoğunluk, meme yapısı, çekim esnasındaki hatalar gibi birçok nedenden kaynaklı teşhisle ilgili yanlış değerlendirmeler yapılabilmektedir. Böyle durumlarda teşhisle ilgili çelişkiye düşülmekte, ikinci bir uzman görüşüne ihtiyaç duyulmaktadır. Günümüzde mamografi görüntüleri ile daha doğru karar vermeye yardımcı olacak Bilgisayarlı Karar Destek Sistemi (BKDS) üzerinde birçok çalışma yapılmaktadır. Bu çalışmada da meme kanserinin tanısı ve teşhisinde radyoloji uzmanına ikinci bir görüş sunarak yardımcı olabilecek bir BKDS geliştirilmiştir. Son kararın radyoloji uzmanı tarafından verileceği bu sistem ile insan kaynaklı hata oranın azaltılması amaçlanmaktadır. Günümüzde görüntü işleme çalışmalarında özellikle geleneksel yöntemlerden uzaklaşılarak derin mimarilerde çalışmaların yoğunlaştığı görülmektedir. Derin öğrenme yöntemleri özellikle görüntü sınıflandırma problemlerinde iyi sonuçlar verse de, genellikle kullandıkları Evrişimsel Sinir Ağları (ESA) eğitim için çok sayıda etiketlenmiş veriye ihtiyaç duymaktadır. Doğru şekilde etiketlenmiş veriye ulaşımdaki kısıtlılık bu tür çalışmaları zorlaştırmaktadır. Bu sebeple daha önce bu alanda yapılan çalışmaların büyük çoğunluğu oldukça az sayıda mamografi görüntüsü ile yapılmıştır. Bu çalışmada kullanılan mamografi görüntüleri FSSH, INBREAST, DDSM ve MIAS olmak üzere 4 farklı kaynaktan alınmıştır. Çalışmanın ilk aşamasında görüntüler morfolojik görüntü işleme yöntemleri ile ön işlemden geçirilerek istenmeyen verilerden arındırılmıştır. Meme dokusuna ait alanlardan 224x224 ve 227x227 piksel boyutlarında kesitler kırpılarak 3 farklı sınıf (kist, kalsifikasyon ve normal) oluşturulmuştur. Her sınıfta 1000 adet, toplamda 3000 adet kesit ile 3 farklı sinir ağı modeli eğitilmiştir. Küçük kesitlere ayrılarak nispeten daha basit hale getirilen görüntüler ile eğitilen AlexNet modelinde %95,55, GoogLeNet modelinde %96, tez çalışması kapsamında geliştirilen MKESAS modelinde %98,71 doğruluk oranına ulaşılmıştır. Anahtar Kelimeler: Meme kanseri, evrişimsel sinir ağları, biyomedikal görüntü işleme, görüntü sınıflandırma