Mühendislik Anabilim Dalı (disiplinlerarası)

Yapay zeka teknikleri kullanılarak göğüs ultrason tekniklerinin sınıflandırılması

Bu çalışmada, meme kanseri teşhisinde ultrason görüntülerini kullanarak iyi ve kötü huylu lezyonları ayırt etmek amacıyla çeşitli önceden eğitilmiş konvolüsyonel sinir ağı (CNN) modelleri kullanılarak bir sınıflandırma sistemi geliştirilmiştir. Araştırmada temel olarak, Ultrasound Breast Images for Breast Cancer (UBIBC) veri setinden elde edilen 9.016 ultrason görüntüsü kullanılmıştır. Veri seti, dengeli bir şekilde 4.074 benign ve 4.042 malign eğitim görüntüsü ile 500 benign ve 400 malign test görüntüsünden oluşmaktadır. Görsellerin orijinal boyutu 700×460 piksel olup, tüm görüntüler modellerle uyumlu olacak şekilde 224×224×3 boyutuna yeniden boyutlandırılarak normalize edilmiştir. RGB renk kanallı ve 8-bit derinlikteki bu görseller, eğitim öncesi önişlem sürecinden geçirilmiştir. Modelleme aşamasında ResNet50, DenseNet121, EfficientNetB0, MobileNetV3 ve ShuffleNetV2 gibi farklı CNN mimarileri kullanılmış; transfer öğrenme yöntemi ile bu modellerden öznitelikler çıkarılarak çeşitli denetimli makine öğrenmesi sınıflandırıcıları (KNN, Cubic SVM, Linear Discriminant vb.) ile sınıflandırma gerçekleştirilmiştir. Deneysel çalışmalar Google Colab ortamında, T4 GPU desteğiyle Python programlama dili kullanılarak yürütülmüştür. Modellerin performansları doğruluk (accuracy), hassasiyet (precision), duyarlılık (recall), F1 skoru, eğitim süresi ve tahmin hızı gibi metrikler ile karşılaştırılmıştır. Elde edilen sonuçlara göre, EfficientNetB0 + Cubic SVM mimarisi %96.73 doğruluk oranı ile yüksek başarı gösterirken, ResNet50 + KNN (Fine) modeli %96.18 doğruluk ile öne çıkmıştır. Ayrıca, hafif yapılı MobileNetV3 + ShuffleNetV2 mimarilerinin birleştirilmesiyle çıkarılan öznitelikler, KNN Fine sınıflayıcıyla %98.12 doğruluk oranına ulaşarak çalışmanın en başarılı sonuçlarını üretmiştir. Bu birleşim hem yüksek sınıflandırma başarısı hem de düşük eğitim süresi (0.01 sn) ile dikkat çekmektedir. ROC eğrileri incelendiğinde, tüm modellerin AUC değerlerinin 0.95'in üzerinde olduğu ve özellikle yanlış negatif oranlarının çok düşük olduğu gözlemlenmiştir. Bu durum, tıbbi uygulamalar açısından modelin güvenilirliğini desteklemektedir. Sonuç olarak, farklı CNN mimarileriyle çıkarılan özniteliklerin klasik makine öğrenmesi sınıflandırıcılarıyla sınıflandırılması, ultrason görüntüleri üzerinden meme kanseri teşhisinde oldukça başarılı sonuçlar vermektedir. Özellikle MobileNetV3 + ShuffleNetV2 + KNN Fine kombinasyonu, mobil ve düşük kaynaklı tıbbi sistemlerde kullanılabilecek düzeyde hafif, hızlı ve yüksek doğruluklu bir çözüm sunmaktadır. Bu çalışma, derin öğrenme tabanlı teşhis sistemlerinin, geleneksel yöntemlere kıyasla daha doğru, hızlı ve uygulanabilir alternatifler sunabileceğini ortaya koymaktadır. Gelecekte, modelin daha büyük ve çeşitli veri kümelerinde denenerek genellenebilirliği artırılması hedeflenmektedir. ANAHTAR KELİMELER: CNN, Derin Öğrenme, Meme Kanseri, Sınıflandırıcılar, Yapay Zeka