Tez No	İndirme	Tez Künye	Durumu
552838		Dinamik kontrastlı manyetik rezonans görüntülerinde bilgisayarlı meme kanseri sınıflandırması / Computerized breast cancer classification in dynamic contrast magnetic resonance images Yazar:AHMET HAŞİM YURTTAKAL Danışman: PROF. DR. HASAN ERBAY Yer Bilgisi: Kırıkkale 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 Türkçe 2019 98 s.
Meme kanseri, meme dokusundaki hücrelerde gelişen kanser türüdür. Kadınlarda en sık görülen kanser türüdür. Meme kanseri tümörünün erken teşhisi, tedavi sürecinde hayati öneme sahiptir. Mamografi, fiziksel belirtiler gelişmeden önce meme kanserini erken bir aşamada tanımlamak için değerli bir araçtır. Meme görüntülerini oluşturmak için X ışınlarını kullanan, memenin özel bir radyografisidir. Mamografide yanlış-negatif teşhisi azaltmak için, % 2'den daha fazla habis tümör şüphesi olma ihtimali olan lezyonlar için biyopsi önerilmektedir ve bunların arasında % 30'dan daha azının habis olduğu tespit edilmiştir. Gereksiz biyopsileri azaltmak için, son zamanlarda, Manyetik Rezonans Görüntüleme (MRG) de meme kanseri tanısı için kullanılmıştır. MRG, meme kanseri tümörlerini tespit etmek, izlemek ve lezyonlu bölgeleri yorumlamak için önerilen bir testtir çünkü yumuşak doku görüntüleme için mükemmel bir kabiliyete sahiptir. Doku görüntüsünü oluştururken, biyolojik olarak zararlı kabul edilen iyonlaştırıcı radyasyon yerine yüksek manyetik alanlar ve radyo frekansında sinyaller kullanmaktadır. Bununla birlikte, deneyimli bir radyolog ve zaman alıcı bir süreç gerektirmektedir. Öte yandan, Evrişimsel Sinir Ağları (ESA) görüntü sınıflandırmada makine öğrenmesi tabanlı yöntemlerle karşılaştırıldığında görüntü sınıflandırmada daha iyi performans göstermiştir. Bu tez çalışmasında, MRG görüntüleri kullanarak meme kanseri tümörünü teşhis etmek için ESA'lar kullanılmaktadır. Yalnızca piksel bilgilerini kullanarak, çevrimiçi veri artışına sahip, çok katmanlı bir ESA modeli tasarlanmıştır. Önerilen ESA modelinin doğruluğu %98.33, hata oranı 0.0167 duyarlılığı 1.0, özgüllüğü %96.88 iken kesinlik değeri %96.55'tir. Doğruluk, hata oranı, hassasiyet, duyarlılık, özgüllük gibi performans ölçümleri, ağın umut verici olduğunu göstermektedir.
Breast cancer is the type of cancer that develops from cells in the breast tissue. It is the most common type of cancer in women. Early detection of the breast cancer tumor is vital in the treatment process. Mammography is a valuable tool to identify breast cancer at an early stage before physical symptoms develop. It is a special radiography of the breast that uses X-rays to produce the breast images. To reduce false-negative diagnosis in mammography, a biopsy is recommended for lesions with greater than a 2% chance of having suspected malignant tumors and, among them, less than 30 percent are found to have malignancy. To decrease unnecessary biopsies, recently, Magnetic Resonance Imaging (MRI) has also been used for the diagnosis of breast cancer. MRI is the highly recommended test for detecting and monitoring breast cancer tumors and interpreting lesioned regions since it has an excellent capability for soft tissue imaging. It uses high magnetic fields and radio-frequency signals instead of ionizing radiation, which is considered biologically harmful, to produce the tissue image. However, it requires an experienced radiologist and time-consuming process. On the other hand, Convolutional Neural Networks (CNNs) have demonstrated better performance in image classification compared to machine learning based methods In this thesis, CNNs were used to diagnose breast cancer tumor using MRI images. Using only pixel information, a multi-layer CNN model was designed with online data augmentation. The accuracy of the proposed network was %98.33, the error rate was 0.0167, sensitivity was 1.0, specificity was 0.9688 whereas precision was 0.9655. The performance metrics such as accuracy, error rate, sensitivity, specificity, and precision state that the network is promising