| Popis: |
Meme kanseri, kadınlar arasındaki başlıca ölüm sebeplerindendir. Mamografi ekipmanı aracılığıyla elde edilen X-Ray görüntüleri, meme kanserinin erken teşhisine yardımcı olmak açısından en sık kullanılan araçlardan biridir. Bu çalışmadaki amaç, meme kanseri görüntülerinin tümör içeren türlerini derin öğrenme tekniklerine odaklamaktır. Bu yöntemde pek çok parametre bulunmaktadır. Meme kanseri, fenomenin çok karmaşık olduğu ve ayrıca tümör türlerine ilişkin sayısız özelliğin bulunduğu bir hastalıktır. Bu çalışmada, meme kanserinin sınıflandırılabilmesi açısından mamogram görüntü işleme teknikleri ve çeşitli örüntü tanıma teknikleri kullanılmıştır. Tümör görüntü iyileştirmeleri, bölütleme, doku bazlı görüntü özelliği çıkarma ve daha sonra meme kanseri mamogram görüntüsünün sınıflandırılması için örüntü tanıma teknikleri başarılı bir biçimde gerçekleştirilmiştir. Hastalığın doğru metodolojiyle saptanması, tedavi edilebilmesi bakımından oldukça önemli bir rol oynamaktadır. Bu çalışmada; Derin Öğrenme tekniği ile 731186 X-Ray görüntüleri veri seti üzerinde işlem yapılarak; hastanın meme kanserine sahip olup olmadığı, kanser olduğu takdirde ise bunun iyi huylu (benign) ya da kötü huylu (malignite) olup olmadığına ilişkin karar verilmesi ele alınmaktadır. Bu X-Ray görüntülerinin %80'i eğitim amaçlı, %20'si ise test olarak uygulanmıştır. Yapılan çalışmada, X-Ray görüntülerinde farklı Derin Öğrenme tekniklerinin kullanılmasıyla meme kanseri teşhisi yapılmaktadır. Çalışma kapsamında iki metot önerilmiştir. Önerilen birinci metotta VGG19, ikinci metotta ise Resnet50 tekniği kullanılmıştır. Deneysel sonuçlar neticesinde; performansın VGG19 için %91,74 oranında, Resnet50 için ise %98.81oranında hatasızlık oranına ulaştığı görülmüştür. Böylece Resnet50 metodunun daha başarılı olduğu sonucuna ulaşılmıştır. Ek olarak bu verilerden hareketle yapılan çalışmada, meme kanseri X-Ray görüntülerinde kanser olup olmadığı, kanser ise hangi tür kansere sahip olduğu gösterilmiştir. Breast cancer is a leading cause of death among women. Mammography images obtained by X-ray equipment are one of the most often utilized tools in order to detect breast cancer at an early stage the goal of this research is to look at deep learning approaches for tumor-filled breast cancer images. ESA-based systems were created for the purpose sensitive identification of breast cancer, which is particularly difficult to identify when many characteristics are related. There is a molasses parameter in this method. Breast cancer is a disease with a highly complex etiology and various characteristics associated with tumor kinds. Breast cancer was classified in this study using mammography image processing techniques and various pattern recognition techniques. Pattern recognition techniques have been effectively used to enhance tumor images, segment them, extract tissue-based image features, and finally classified mammography images of breast cancer. Accurate illness detection is critical for effective therapy. In this study, the Deep Learning technique is used to evaluate a dataset of 731186 X-Ray images to determine whether a patient has breast cancer and, if so, whether the cancer is benign (benign) or malignant (malignant) (malignant). 80% of these X-Ray images were used for instruction purposes, while 20% were used for testing purposes. The study makes a breast cancer diagnosis utilizing a variety of Deep learning techniques applied to X-Ray images. Within the scope of the study, two methodologies have been offered. The first proposed method employed the VGG19 technique, whereas the second method used the Resnet50 technique. The performance achieved a 91.74 percent error-free rate for VGG19 and 98.81 percent for Resnet50 due to the experimental results. Consequently, it was determined that the Resnet50 method was more effective. Additionally, the study assigne whether or not there is cancer in breast cancer X-Ray images and what form of cancer there is. |
