MAMMOGRAM GÖRÜNTÜLERİNDEN DERİN ÖĞRENME YÖNTEMLERİ İLE MEME KANSERİ TEŞHİSİ

Abstract

Meme kanserinde ölüm oranını düşürebilmek için erken tespit ve tanı çok önemlidir. Bu sebeple de meme kanseri görüntüleme yöntemlerinden biri olan mammogram görüntülerini doğru olacak bir şekilde incelemek gerekmektedir. Yüksek doğruluk oranını ve daha hızlı mammogram görüntülerinin sınıflandırılması içi çeşitli yöntemler geliştirilmiştir. Bu çalışmanın amacı da mammogram görüntülerinin sınıflandırılması için derin öğrenme yöntemlerini kullanarak yüksek doğruluk oranı ve hızı sağlamaktır. Bunun içinde derin öğrenme yöntemlerini kullanarak sınıflandırma yapmadan önce, görüntü işleme adımında görüntü filtreleme ve histogram eşitleme yöntemleri ile yüksek doğruluk oranı sağlanabilir. Bu çalışmada DDSM, Inbreast, MIAS veri setlerine ait 20000 adet mammogram görüntüsü kullanılmıştır. Kullanılan derin öğrenme yöntemleri ise VGG16,VGG19, ResNet50'dir. Kullanılan görüntü filtreleme yöntemleri ise medyan filtre, ikili filtre, averaj filtre, gauss filtreleridir. Ayrıca histogram eşitleme için de klasik histogram eşitleme ve kontrast limitli adaptif histogram eşitleme kullanılmıştır. Ağın oluşturulması için ise transfer öğrenme ve ince ayar yöntemleri uygulanarak yüksek doğruluk oranı sağlanmıştır. En iyi sonucun %99.93 doğruluk oranında olduğu görülmektedir. Bu doğruluk değeri mammogram görüntülerinin sınıflandırılması için çok yüksek bir değerdir. Bu doğruluk değerini sağlayan yöntemler ise VGG16 transfer öğrenme ağının averaj filtrenin mamogram görüntüsüne uygulanmış halinin kullanılması , VGG16 transfer öğrenme ağının medyan filtre ile klasik histogram eşitleme yönteminin mammogram görüntüsüne uygulanmış halinin kullanılması, VGG19 transfer öğrenme yönteminin medyan filtrenin mamogram görüntüsüne uygulanmış halinin kullanılması ile oluşan yöntemlerdir. Sonuçlara bakıldığında histogram eşitleme ve görüntü filtreleme yöntemlerinin mammogram görüntüsünün derin öğrenme yöntemleri ile sınıflandırılmasında olumlu yönde etki ettiği görülmektedir.

Early detection and diagnosis is very important to reduce the mortality rate in breast cancer. For this reason, it is necessary to accurately analyze mammogram images, one of the breast cancer imaging methods. Various methods have been developed to achieve high accuracy and faster classification of mammogram images. The aim of this study is to provide high accuracy and speed by using deep learning methods for the classification of mammogram images. In order to achieve high accuracy rate, image filtering and histogram equalization methods can be used in the image processing step before classification using deep learning methods. In this study, 20000 mammogram images from DDSM, Inbreast, MIAS datasets were used. The deep learning methods used are VGG16, VGG19, ResNet50. The image filtering methods used are median filter, binary filter, averaging filter, gaussian filter. In addition, classical histogram equalization and adaptive histogram equalization with contrast limit were used for histogram equalization. Transfer learning and fine-tuning methods were applied to construct the network, resulting in high accuracy. The best result was 99.93% accuracy. This accuracy is very high for the classification of mammogram images. The methods that provide this accuracy value are VGG16 transfer learning network with the use of averaging filter applied to the mammogram image, VGG16 transfer learning network with the use of median filter and classical histogram equalization method applied to the mammogram image, VGG19 transfer learning method with the use of median filter applied to the mammogram image. The results show that histogram equalization and image filtering methods have a positive effect on the classification of mammogram images with deep learning methods.