Breast cancer detection with convolutional neural network using ultrasound images

Bu araştırma, Meme Kanserinin (MK) erken teşhisi ve tanısının iyileştirilmesi amacıyla Meme Ultrason Görüntülerinin (BUSI) sınıflandırılması ve segmentlere ayrılması için gelişmiş Evrişimsel Sinir Ağı (ESA) modellerinin geliştirilmesini ve değerlendirilmesini amaçlamaktadır. MK, en sık görülen kötü huylu tümörler arasında yer almakta ve dünya genelinde kadınlarda kansere bağlı ölümlerin en büyük ikinci nedenidir; bu da erken ve doğru tanıyı, mümkün olan en yüksek sağkalım sonuçlarıyla etkili tedavi için öncelikli bir görev haline getirmektedir. Çalışmada, erken tespit için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla BUSI veri seti kullanılmıştır. Mevcut yaklaşımlar arasında görüntülerin ön işlenmesi, veri artırımı ve transfer öğrenmesi yer almaktadır. Görüntü ön işleme bölümünde, segmentasyon, iyileştirme ve üst üste bindirme ile bazı iyileştirmeler gerçekleştirdik. Bu ön işleme adımları, geliştirilen ESA modellerinin iyi huylu dokuları kötü huylu dokulardan yüksek bir doğruluk seviyesinde ayırt edebilmesini sağlamak için gereklidir. Araştırma çalışmasında özel bir model önerildi ve bu modelin performansı doğruluk, kesinlik, geri çağırma ve F1 puanı gibi performans ölçütleriyle VGG-Net, DenseNet, EfficientNet, MobileNet, InceptionV3, Xception ve ResNet önceden eğitilmiş modelleriyle karşılaştırıldı.. Uygulanan görüntü ön işleme teknikleriyle birlikte önerilen ESA modeli tarafından elde edilen %97'lik yüksek doğruluk, bu ön işleme olmadan eğitilen modellere göre önemli ilerlemeler göstermiştir. Ayrıca, önceden eğitilmiş bir modele, geliştirilmiş ve üst üste bindirilmiş görüntülerden oluşan veri setimizle ince ayar yaparak transfer öğrenmenin etkisini inceledik. Bu yaklaşımı kullanarak dikkate değer performans iyileştirmeleri elde ettik; en iyi durumda, ulaşılan en yüksek doğruluk VGG19 ve EfficientNetB0 ile %99 oldu. Ayrıca, tıbbi görüntü analizinde son derece iyi performans gösterdiği kanıtlanmış olan U-Net mimarisini etkili görüntü segmentasyonu için test ettik. Ayrıca modeli yorumlanabilir hale getirmek için Grad-CAM'i kullandık, böylece ESA'ların karar verirken görüntülerin hangi kısımlarına odaklandığını görebiliriz. Bu yorumlanabilirlik, modellerin karar verme süreçlerine dair içgörü kazanmak ve tahminlerine güven oluşturmak için çok önemlidir. Çalışmamızın sonuçları, önerilen özel CNN modelinin etkili görüntü ön işleme teknikleriyle birleştirilmesiyle BUSI için daha gelişmiş sınıflandırma ve segmentasyona ulaşılabileceğini göstermektedir. Radyologlar tarafından MKnin erken tespitine yardımcı olma ve sonuçta hastaların durumunu iyileştirme potansiyeline sahiptir. Bu derin öğrenme metodolojileri, MK tanısı için gelişmiş, daha doğru ve güvenilir araçlar sağlamak için kullanılacaktır; bu, daha iyi sağ kalım ve tedaviye yanıt sağlamada önemlidir.