Tez No	İndirme	Tez Künye	Durumu
776438		Biopsy cost reduction for early diagnosis of breast cancer using hybrid deep learning techniques / Hibrit derin öğrenme teknikleri kullanılarak meme kanserinde erken teşhis için biyopsi maliyetinin düşürülmesi Yazar:PINAR USKANER HEPSAĞ Danışman: PROF. DR. SELMA AYŞE ÖZEL ; PROF. DR. ADNAN YAZICI Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2022 175 s.
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
Breast cancer has become one of the most important diseases all over the world. Early diagnosis of breast cancer is very important to reduce the mortality rate. Breast biopsy is one of the most commonly used methods to diagnose breast cancer. However, breast biopsies are sometimes performed even when the patient does not have breast cancer. This leads to various problems for patients such as anxiety, pain, and healthcare costs, etc. Therefore, we proposed a hybrid model to reduce the cost of breast biopsies for early detection of breast cancer using deep learning and machine learning methods. Although many methods have been applied to a range of breast cancer diagnoses using one data type (image or text), the combination of three data types (image, text, and survey) has not been used directly for breast cancer diagnosis in the literature, and the problem of breast cancer diagnosis still needs to be improved. The proposed model combines three types of data, namely image (mammography), text (radiology report), and survey (patient history, physical examination, etc.) of each patient, and generates amalignant or benign output to identify the type of breast cancer. Therefore, a hybrid system consisting of three independent parts is described in this thesis: In the first part, deep learning models such as pre-trained models (VGG16, AlexNet, and ResNet50) and a transformer model are used to classify mammography images. In the second part, machine learning models with different combinations are used to classify surveys. In the third part, similar to images, pre-trained models (BERT versions such as BERTMultilingual, BERTClinical and BERTTurkish) and transformers are used to classify radiology reports. The ensemble model takes the results of each part as input and produces an output to diagnose breast cancer. We also propose a risk-based hybrid neuro fuzzy rule-based system to calculate the risk of breast cancer. We show that using three types of data can reduce the cost of breast biopsies in breast cancer diagnosis. The hybrid model with the hospital dataset improves the precision value by up to 100%. Key Words: Breast cancer diagnosis, Transformers, VGG16, AlexNet, ResNet50, BERT