Yolo modelleri kullanarak mamografi görüntülerinden kitle tespiti

Kanser hücrelerin kontrolsüz bir biçimde çoğalması ve bu hücrelerin vücuda yayılması anlamına gelen metastaz süreci ile ölüme kadar varabilen ciddi bir hastalık grubudur. Bu tür hastalıkların erken evrede teşhis edilmesi, tedavi sürecinin etkinliği ve hastanın yaşam süresi açısından büyük önem taşımaktadır. Günümüzde meme kanseri teşhisi çoğunlukla radyologlar tarafından mamografi görüntülerinin değerlendirilmesiyle yapılmaktadır. Ancak bu süreç, yoruma dayalı olması nedeniyle farklılık gösterebilmekte ve insan hatasına açık olabilmektedir. Bu noktada, yapay zekâ destekli karar destek sistemleri, tanı sürecini hem hızlandırmakta hem de doğruluk oranını artırarak daha güvenilir sonuçlar sunabilmektedir. Bu tez çalışmasında, derin öğrenme alt yapılı bir nesne algılama yöntemi olan YOLO (You Only Look Once) mimarisine dayanan YOLOv8 ve YOLOv7 mimarilerinin mamografi görüntüleri üzerinde meme kanseri taramalarındaki kitle tespit performansları incelenmektedir. YOLO mimarisi, gerçek zamanlı ve yüksek doğrulukta nesne tespiti yapabilme yeteneği sayesinde tıbbi görüntü analizlerinde sıkça tercih edilen yöntemler arasında yer almaktadır. Çalışmada üç farklı veri kümesi kullanılmıştır. İlk veri kümesi 62 adet mamografi görüntüsü içeren etik kurul onayı alınarak Dicle Üniversitesi Tıp Fakültesi Hastanesi'nden temin edilmiştir. Bu veri kümesinin içerdiği görüntüler LabelImg uygulaması üzerinden uzman radyolog tarafından etiketlenmiştir. İkinci veri kümesi orijinal veri kümesinin veri artırımı yoluyla artırılması sonucunda elde edilmiş 162 adet görüntüden oluşmaktadır. Son veri kümesi ise Roboflow ortamından elde edilmiş açık erişim 251 adet mamografi görüntüsünü içermektedir. Modellerin başarımı, Ortalama Doğruluk (mAP), Kesinlik (Precision), Duyarlılık (Recall) ve F1 Skoru gibi performans metrikleri ile değerlendirilmiştir. Elde edilen bulgular, sınırlı etiketli medikal görüntülerle çalışılan koşullarda YOLOv8'in daha güvenilir ve başarılı bir nesne tespit yöntemi olduğunu ortaya koymaktadır. Çalışılan bütün veri kümelerinde YOLOv8, YOLOv7'ye oranla tüm metriklerde daha iyi sonuçlar vermiştir. Sonuç olarak, bu tez çalışması, Modelin hem teorik altyapısı hem de deneysel başarımları, özellikle medikal tanı destek sistemlerinin geliştirilmesinde YOLOv8'in güçlü bir aday olduğunu göstermektedir.