Derin öğrenme yaklaşımları ile meme kanseri tespiti ve sınıflandırması

Meme kanseri, dünya çapında kadınlar arasında kanserle ilişkili ölümlerin başlıca nedenlerinden biridir. Erken teşhis ve doğru tanı, sağkalım oranlarını artırmak ve etkili bir tedavi planlamak açısından çok önemlidir. Mamografi, meme kanseri taramasında anormallikleri erken evrede tespit edebilen temel görüntüleme yöntemidir. Mamografik bulgular arasında kitleler, en yaygın ve tanı açısından en kritik lezyonlardır. Mamografi görüntüleri genellikle radyologlar tarafından manuel olarak değerlendirilmekte, ancak lezyon çeşitliliği, yoğun meme dokusu ve yüksek görüntü sayısı süreci zorlaştırmakta; değerlendirmeyi zaman alıcı ve yorucu hâle getirmektedir. Ayrıca, deneyim farklılıkları ve uzun incelemelere bağlı dikkat dağınıklığı tanı doğruluğunu olumsuz etkileyebilmektedir. Son yıllarda, özellikle derin öğrenmeye dayalı yapay zekâ uygulamaları, tıbbi görüntüleme tanı süreçlerinde önemli ilerlemeler sağlamıştır. Bu alanda öne çıkan You Only Look Once (YOLO) algoritması, gerçek zamanlı nesne tespiti ve sınıflandırma yeteneğiyle öne çıkmaktadır. Bu sayede, mamografi görüntülerinde anormalliklerin hızlı ve doğru şekilde belirlenmesine olanak sağlayarak klinik tanı süreçlerine destek olma potansiyeli taşımaktadır. Bu tez çalışmasında, mamografi görüntülerinde meme kitlelerini tespit ve sınıflandırmak amacıyla YOLO tabanlı bir derin öğrenme modeli geliştirilmiştir. Bu kapsamda, YOLOv5, YOLOv8 ve YOLOv9 (GELAN) mimarileri temel alınmış; bu modellere çeşitli dikkat modülleri ve evrişimsel bloklar entegre edilerek farklı model varyantları oluşturulmuştur. Modeller, CBIS-DDSM, VinDr-Mammo ve bu iki kümenin birleşimiyle oluşturulan veri setleri kullanılarak sıfırdan eğitilmiş, ardından INBreast veri kümesi üzerinde beş katlı çapraz doğrulama yöntemiyle ince ayar uygulanmıştır. Ayrıca, farklı veri artırma stratejilerinin model performansına etkisi değerlendirilmiştir. INBreast üzerinde en yüksek başarıyı gösteren model varyantları, klinik uygulanabilirliği test etmek amacıyla Başkent Üniversitesi Ankara Hastanesi'ne ait veri kümesiyle de ince ayara tabi tutulmuştur. CBIS-DDSM + VinDr-Mammo -> INBreast senaryosunda GELAN-c mimarisine derinlemesine evrişim (DWConv) ve Evrişimli Blok Dikkat Modülü (CBAM) entegre edilerek geliştirilen model varyantı (GELAN-c + DWConv + CBAM), varsayılan veri artırma konfigürasyonu ile 0.878 mAP@0.5 skoruna ulaşmış ve çalışmadaki en yüksek performansı göstermiştir. CBIS-DDSM + VinDr-Mammo -> Başkent senaryosunda ise, YOLOv5s mimarisine Verimli Çok-Ölçekli Dikkat (EMA) modülü entegre edilerek oluşturulan model varyantı (YOLOv5s + EMA), varsayılan + mixup veri artırma kombinasyonu ile 0.848 mAP@0.5 skoruna ulaşmıştır. Bu sonuçlar, geliştirilen YOLO tabanlı model varyantları hem literatür veri kümelerinde hem de gerçek klinik görüntülerde yüksek başarı sağladığını ve klinik karar destek sistemlerine entegre edilebilecek potansiyele sahip olduğunu göstermektedir.