Radyomik özellik ekstraksiyonu ve derin öğrenme teknikleri ile meme kanseri sınıflandırma sağlamlığının analizi

Göğüs kanserinin teşhisi ve göğüs görüntüleme işlemlerinde tipik olarak, mamografi, MRI ve Ultrason gibi çeşitli görüntüleme araçları kullanılarak gerçekleştirmektedir. Ancak, Ultrason ve mamografinin görüntülemelerinin sınırlamaları vardır. MRG ise diğer kullanılan yöntemlere göre daha iyidir. Görüntü analizine uygulanan Radiomics gibi son zamanların hesaplama yaklaşımları, teşhis zorluklarını ortadan kaldırmak için dikkate değer bir ilerleme göstermiştir. Bu tez, meme tümörü sınıflandırmasının sağlamlığını özellik çıkarma (radyomik) ve özelliksiz yöntem (derin öğrenme) ile analiz etmektedir. İki ana bölümden meydana gelmektedir: ilk bölüm, radyomik temelli adımlar araştırıldı ve on uygun uygulamalar gerçekleştirilmişti. Görüntü üzerinden, birinci derece ve üç ayrı ikinci derece metrikten oluşan 74 radyomik özelliklerini türetebilmek için toplam 111 tümör lezyon görüntüsü kullanılmıştır. Destek vektör makine algoritmasından dört farklı çekirdek ile tümör lezyonlarını sınıflandırmak için dört ayrı özellik ilişkilendirmesi kullanılmıştır. İkinci dereceden tanımlanmış veri bölümleme analizi ile %96,17'lik en yüksek doğrulukla daha iyi sonuçlar ortaya koymuştur. Burada tüm özelliklerin kombinasyonları veri bölümleme ile de %96,08 doğruluk başarısı göstermiştir. Karışıklık matrisi analizinde, SVM-RBF çekirdeği, iki ayrı kombinasyon veri grubu analizinde maksimum %97.06 doğrulukla optimum tanı verimliliğini geliştirdi. İkinci bölümde de ise, derin öğrenme tekniklerinden InceptionV3 ve CNN-SVM kullanılmıştır. Modelleri oluşturmak için toplam 2998 görüntü kullanmıştır. Bu bölümde, CNN-SVM modeli, önceden eğitilmiş InceptionV3'ün yalnızca 0,932'lik bir AUC elde ettiği, 0,974'lük bir AUC ile en yüksek doğruluğu %95,28'e ulaşmıştır. Anahtar Kelimeler: Meme Tümörü Sınıflandırması, Radyomik, Derin Öğrenme