Breast cancer detection using convolutional neural network

Meme kanseri, dünya çapında kadınları etkileyen ve hayati tehlike arz eden en yaygın malignitelerden biri olmaya devam etmektedir. Bu nedenle, hayatta kalma oranlarının ve tedavi sonuçlarının iyileştirilmesi için zamanında ve doğru tanı müdahaleleri gerekmektedir. Ultrason görüntüleme, non-invaziv olması, maliyet etkinliği ve özellikle mamografi ve MRI'nin kolayca ulaşılamadığı kaynakları kısıtlı ortamlarda yoğun meme dokularını görüntüleme konusunda etkinliği nedeniyle kritik bir tanı aracı olarak işlev görmektedir. Ultrason görüntüleri, duyarlılık ve özgüllük açısından sınırlamaları olan, genellikle değişken tanı yorumlarına tabidir. Bu sorunlar, bu tür akıllı otomatik karar destek sistemlerine olan ihtiyacı vurgulamaktadır. Meme ultrason görüntülerinin sınıflandırılması için, özenle optimize edilmiş, tamamen özelleştirilmiş yeni bir Konvolüsyonel Sinir Ağı (CNN) mimarisi öneriyoruz. Bu çalışmanın sınıflandırması, klinik olarak önemli üç kategoriyi içermektedir: normal, malign ve benign. Meme Ultrason Görüntüleri (BUSI) veri setini kullandık ve küçük veri seti boyutu, sınıf dengesizliği ve görüntü gürültüsü gibi içsel sorunları, döndürme, çevirme, çeviri, kesme dönüşümü ve parlaklık ayarı gibi çeşitli artırma işlemleriyle çözdük. Model, gerçek dünyadaki varyasyonlar arasında etkili bir şekilde genelleme yapabildiğinden, elde edilen 6,000 görüntülük veri seti, eğitim verilerinin çeşitliliğini ve temsil gücünü büyük ölçüde artırdı. Önerilen CNN mimarisi, hiyerarşik özellik çıkarma, toplu normalleştirme, bırakma düzenlemesi ve ReduceLROnPlateau zamanlayıcı aracılığıyla uyarlanabilir öğrenme oranlarını içeren en son teknoloji derin öğrenme tekniklerini entegre eder. En iyi performans gösteren model, %98.83 makro ortalama F1 puanı ve test doğruluğu elde etti. Bu sonuç, öğrenme oranları, toplu boyutları ve giriş çözünürlükleri arasında geniş kapsamlı hiperparametre ayarlaması sayesinde elde edildi. Önceden var olan bilgi olmadan eğitilmiş olmasına rağmen, model MobileNetV2, VGG16, VGG19, InceptionV3, ResNet50, EfficientNetB0, DenseNet121 ve Xception gibi popüler transfer 4 öğrenme modelleriyle karşılaştırıldığında daha iyi performans gösterdi. Bu sonuçlara göre, hesaplama verimliliği, yorumlanabilirlik ve yüksek teşhis doğruluğu, alana özgü, hafif CNN modelleriyle elde edilebilir. Bulgularımıza göre, özel olarak tasarlanmış derin öğrenme çözümleri kritik bir rol oynamakta ve özellikle kaynakların kısıtlı olduğu ortamlarda erken meme kanseri teşhisinde ve tıbbi görüntülemede dönüştürücü potansiyellerini ortaya koymaktadır.