Biopsy cost reduction for early diagnosis of breast cancer using hybrid deep learning techniques
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: PINAR USKANER HEPSAĞ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Selma Ayşe Özel
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Meme kanseri tüm dünyada en önemli hastalıklardan biri haline gelmiştir. Meme kanserinin erken teşhisi, ölüm oranını azaltmak için çok önemlidir. Meme biyopsisi, meme kanserini teşhis etmek için en sık kullanılan yöntemlerden biridir. Ancak bazen meme biyopsileri, hasta meme kanseri olmasa bile yapılır. Bu, hastalar için anksiyete, ağrı ve sağlık maliyetleri vb. gibi çeşitli sorunlara yol açar. Bu nedenle, bu tezdederin öğrenme ve makine öğrenimi yöntemlerini kullanarak meme kanserinin erken teşhisi için meme biyopsilerinin maliyetini azaltmak amacıylahibrit bir model önerilmiştir. Tek tür veri (resim veya metin) kullanılarak meme kanseri teşhisine birçok yöntem uygulanmış olsa da, literatürde meme kanseri teşhisi için üç tür verinin (resim, metin ve anket) kombinasyonu doğrudan kullanılmamıştır ve meme kanseri teşhisi probleminin hala iyileştirilmesi gerekmektedir. Önerilen model, her bir hasta için görüntü (mamogram), metin (radyoloji raporu) ve anket (hasta hikayesi) olmak üzere üç tür veriyi birleştirir ve meme kanserinin türünü belirlemek amacıyla kötü huylu veya iyi huylu bir çıktı üretir. Bu nedenle, bu tezde üç bağımsız parçanın birleşiminden oluşan bir hibrit sistem geliştirilmiştir: Birinci parçada, mamografi görüntülerini sınıflandırmak için önceden eğitilmiş modeller (VGG16, AlexNet ve ResNet50) gibi derin öğrenme modelleri ve bir transformatör modeli kullanılmıştır. İkinci parçada, anketleri sınıflandırmak için farklı kombinasyonlara sahip makine öğrenmesi modelleri kullanılır. Üçüncü parçada, görüntülere benzer şekilde, radyoloji raporlarını sınıflandırmak için önceden eğitilmiş modeller (BERTMultilingual, BERTClinical ve BERTTurkish gibi BERT versiyonları) ve bir transformatör modeli kullanılır. Topluluk modeli, her parçanın sonuçlarını girdi olarak alır ve meme kanseri teşhisi için bir çıktı üretir. Ayrıca, meme kanseri riskini hesaplamak için risk tabanlı hibritnöro+bulanık kural tabanlı bir sistem öneriyoruz. Üç tür verinin kullanılmasının meme kanseri teşhisine meme biyopsisinin maliyetlerini azaltabileceğini göstermekteyiz. Hastane veri setini kullanarak hibrit model, hassasiyet puanını %100'e kadar arttırmaktadır. Anahtar Kelimeler: Meme kanseri teşhisi, Transformers, VGG16, AlexNet, ResNet50, BERT