Derin öğrenme ile mammogram görüntülerindeki lezyonların tespiti ve sınıflandırılması

İnsan yaşamında sık görülen kanser türlerinden biri olan meme kanseri erkeklere göre kadınlarda daha sık görülmektedir. Bu kansere neyin sebep olduğu tam olarak bilinmese de kişinin beslenme şekli, regl durumu, doğum ve doğum kontrol hapları gibi birçok nedenlerin olabileceği düşünülmektedir. Meme kanserinin erken teşhisi tedavisinde oldukça önemlidir. Çok farklı meme kanseri tespit yöntemleri vardır. Bunlardan biri de Manyetik Rezonans (MR) ile görüntüleme teknikleridir. Bu çalışmada, Mammogram görüntüleri üzerinde lezyon tespiti ve sınıflandırmasında Faster R-CNN derin öğrenme yöntemi ile birlikte önceden eğitilmiş üç farklı CNN modeli Inception V2, Resnet101 ve Resnet-50 kullanılmıştır. Mammografi taraması görüntüleri içeren "The Digital Database for Screening Mammography – DDSM" açık kaynaklı sayısal veri tabanın kanserli ve normal görüntülerden oluşan toplamda 500 adeti alınarak oluşturulmuştur. Alınan bu görüntülerin 400 adedi radyologlar tarafından işaretlenmiş 100 adedi ise işaretlenmemiş vakalara ait mammogram görüntüsüdür. İşaretlenmiş 400 adet kanserli görüntüdeki lezyon bölgeleri LabelImg etiketleme aracı kullanılarak XML dosyası olarak etiketlendi. Daha sonra bu etiketlenen görüntüler eğitim veri seti olarak kullanıldı. Lezyon tespitinde kullanılan Faster R-CNN derin öğrenme yöntemi ile birlikte kullanılan üç adet CNN modelin her birinin eğitimi 300.000 adımda ve batchsize=1 alarak gerçekleştirildi. Bu deneyler sonucunda Inception V2 modeli için %97,16 doğruluk başarımı ve ResNet101 modeli için %94,74 doğruluk başarımı elde edilirken en iyi sonucu veren ResNet-50 modeli için ise %99,63 doğruluk başarımı elde edilmiştir. Elde edilen sonuçlar bu alanda çalışan uzmanlara erken teşhis koymada destek olabilecektir. Ayrıca tezde ele alınan ön eğitimli CNN modelleri MIAS veri seti kullanılarak sadece iyi huylu ve kötü huylu tümör sınıflandırması yapılmıştır. 2016 adet iyi huylu eğitim ve 4088 adet kötü huylu eğitim seti ve 504 adet iyi huylu ve 1024 adet kötü huylu görüntü doğrulama veri seti olarak kullanılmıştır. Tezde ele alınan ön eğitimli modellerle gerçekleştirilen eğitim sonucunda yine yüksek başarılar elde edildiği görülmüştür.