dc.description.abstract | Meme kanseri, kadınlar arasında en yaygın kanser türlerinden biridir. Göğüs kanserinin erken teşhisi ve tedavisi hastalar için hayati öneme sahiptir. Göğüs kanserine yakalanma oranı gün geçtikçe artar iken, erken teşhis teknikleri sayesinde ölüm oranları azalmaktadır. Gelişen teknoloji ile görüntüleme sistemlerinde birçok önemli gelişmeler yaşanmıştır. Kanserin saptanmasında çeşitli görüntüleme teknikleri kullanılmaktadır. Termal görüntüler, termal kamera tarafından radyasyon verilmeden bölgelerin sıcaklık farkı kullanılarak elde edilir. Bu çalışmada, termal görüntüler kullanılarak meme kanserinin bilgisayar destekli tanısı için yöntemler sunulmaktadır. Bu amaçla, transfer öğrenme metodolojisi kullanılarak çeşitli Evrişimli Sinir Ağı (CNN) modelleri tasarlanmıştır. Tasarlanan ağların performansı, doğruluk, kesinlik, hatırlama, F1 ölçüsü ve Matthews Korelasyon katsayısı dikkate alınarak bir kıyaslama veri kümesinde değerlendirilmiştir. Sonuçlar, önceden eğitilmiş evrişimsel katmanların tutulması ve yeni eklenen tam bağlantılı katmanların eğitiminin en iyi puanları verdiğini göstermektedir. CNN ile transfer öğrenme metodolojisini kullanarak %94.3 doğruluk, %94.7 hassasiyet ve %93.3 duyarlılık elde ettik.
Breast cancer is one of the prevalent types of cancer. Early diagnosis and treatment of breast cancer have vital importance for patients. Various imaging techniques are used in the detection of cancer. Thermal images are obtained by using the temperature difference of regions without giving radiation by the thermal camera. In this study, we present methods for computer aided diagnosis of breast cancer using thermal images. To this end, various Convolutional Neural Network (CNN) models have been designed by using transfer learning methodology. The performance of the designed nets was evaluated on a benchmarking dataset considering accuracy, precision, recall, F1 measure, and Matthews Correlation coefficient. The results show that holding pre-trained convolutional layers and training newly added fully connected layers gives the best scores. We have obtained an accuracy of 94.3%, a precision of 94.7% and a recall of 93.3% using transfer learning methodology with CNN. | en_US |