Derin öğrenme yöntemleri kullanılarak dijital mamografiden kitle bölütlemesi
| dc.contributor.advisor | Tiryaki, Volkan Müjdat | |
| dc.contributor.author | Etiz, Ender Emre | |
| dc.date.accessioned | 2024-12-24T18:13:28Z | |
| dc.date.available | 2024-12-24T18:13:28Z | |
| dc.date.issued | 2023 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description | Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | Meme kanseri, kadınlar arasında kanser ölümlerinin önde gelen nedenlerinden biridir. Erken teşhisin, hastaların hayatta kalma oranını artırdığı bilinmektedir. Mamografi, meme kanserinin erken teşhisini mümkün kılabilmektedir. Dijital mamografi, meme kanseri taramasında yaygın olarak kullanılan bir görüntüleme yöntemidir. Bilgisayar destekli yöntemler kullanılarak mamografilerden meme kanseri anormallikleri bulunabilmektedir. Son yıllarda, bilgisayar destekli meme kanseri teşhisinde derin öğrenme araştırmaları ivme kazanmıştır. Bu araştırmaların neticesinde bilgisayar destekli sistemler ile radyologların birlikte çalışmaları neticesinde radyologların yalnız çalışmalarına göre daha iyi performans elde edildiği görülmüştür. Kitle bölütleme, meme kanserinin saptanmasında ve teşhisinde önemli ve zor bir adımdır. Kitle bölütlemesi, mamografi görüntülerinde kitlelerin yerini ve sınırlarını tanımlamayı içeren bilgisayar destekli sistemlerin aşamalarından biridir. Bu tezde tam dijital mamografilerden derin öğrenme yöntemleri kullanılarak kitle bölütleme problemi ele alınmıştır. Derin öğrenme sistemlerinin eğitilebilmesi için ihtiyaç duyulan veri seti olarak araştırmacıların erişimine açık olan INbreast dijital mamografi veri seti kullanılmıştır. Kitle bölütlemesi için U-Net derin öğrenme modeli ve türevleri kullanılmıştır. Kitle bölütleme performansı farklı modeller için test edilmiş ve en yüksek performans gösteren model belirlenmiştir. Performans ölçümü için gerçek referans bölge ve tahmin edilen bölgenin kesişimini ölçen Dice benzerlik oranı metriği kullanılmıştır. U-net mimarisi ile sıfırdan eğitim yapılması durumunda diğer U-net türevi yöntemlerine göre daha iyi sonuç elde edilmiştir. Elde edilen performans değerleri literatür ile karşılaştırılmıştır. | |
| dc.description.abstract | Breast cancer is one of the main causes of cancer deaths among women. Early diagnosis is known to increase the survival rate of patients. Mammography may enable early detection of breast cancer. Digital mammography is a commonly accepted imaging modality for breast cancer screening. Abnormalities can be found from mammograms using computer-assisted methods. In recent years, deep learning research has gained momentum in computer-aided breast cancer diagnosis. As a result of these studies, when computer aided systems and radiologists work together, the system performance is increased in comparison to the radiologists' performance. Mass segmentation is an important and challenging step in the detection and diagnosis of breast cancer. Mass segmentation is one of the important steps in computer aided systems that involve identifying the location and boundaries of masses in mammography images. In this thesis, mass segmentation from whole digital mammography is investigated by using deep learning. INbreast digital mammogram data set was used for deep learning training. U-Net and its variants were used for mass segmentation performance investigation. The mass segmentation performance was tested for different models and the model with the best performance was determined. The Dice similarity coefficient that measures the intersection of the ground truch and the predicted region was used for performance evaluation. In case of training from scratch with U-net architecture, better results were obtained than other U-net variant methods. U-net performance values were compared with the ones in the literature. | |
| dc.identifier.endpage | 61 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=a0OMTmEd_3mfOBxT8SiBTFTsh_WndGri2oSJGgbpT87u8UeRB5Y8MZJL-lTKmbck | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12604/3477 | |
| dc.identifier.yoktezid | 812895 | |
| dc.language.iso | tr | |
| dc.publisher | Siirt Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_20241218 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | |
| dc.subject | Computer Engineering and Computer Science and Control | |
| dc.title | Derin öğrenme yöntemleri kullanılarak dijital mamografiden kitle bölütlemesi | |
| dc.title.alternative | Mass segmentation from digital mammograms using deep learning methods | |
| dc.type | Master Thesis |
