Meme kanserinde görüntü işleme tabanlı lezyon tespiti

Abstract

Bu çalışmanın amacı, yüksek doğruluk ve düşük hata oranı ile meme tümor bölgesini belirlemektir. Bu çalışmada, TCİA (The Cancer İmaging Archive) veri bankasından alınan 8 kanserli görüntüde, K-ortalama kümeleme ve otsu eşikleme yöntemi kullanılmıştır. Kümeleme işlemi için, sırasıyla TPR (True Positive Rate) 0.89, FPR (False Positive Rate) 0.14, TNR (True Negative Rate) 0.86, FNR (False Negative Rate) 0.10, benzerlik 0.67, doğruluk 0.87, duyarlılık 0.89, hassasiyet 0.86, özgüllük 0.87,F puanı 0.87 bulunmuştur. Otsu için, TPR (True Positive Rate) 0.84, FPR (False Positive Rate) 0.12, TNR (True Negative Rate) 0.89,FNR (False Negative Rate) 0.14,benzerlik 0.73, doğruluk 0.84,duyarlılık 0.84, hassasiyet 0.86,özgüllük 0.87,F puanı 0.84 olarak hesaplanmıştır. Sonrasında 8 görüntüye ek olarak, Kaggle veri bankasından 646 adet görüntü alınarak, 504 eğitim,142 tanesi de test için ayrılmıştır. U-Net yapay sinir ağı mimarisi ile bölge tespiti yapılmıştır. Ağ eğitimi sonucu çıkan tümor bölgesi ile işaretli referans görüntüdeki tümor bölgesi karşılaştırılmıştır.100 Epoch değeri ile, test sonucu %4 kayıp oranı ile %96 doğruluğa ulaşılmıştır. Sonuç olarak, bu kullanılan yöntemlerin tümor tespiti için kullanılabileceği, yapay sinir ağı modelinin en yüksek doğruluğu bulguladığı tespit edilmiştir.The aim of this study is to determine the breast tumor site with high accuracy and low error rate. In this study, K-mean clustering and herbaceous thresholding methods were used in 8 cancer images taken from the TCIA (The Cancer Imaging Archive) data bank. For the clustering process, TPR (True Positive Rate) 0.89, FPR (False Positive Rate) 0.14, TNR (True Negative Rate) 0.86, FNR (False Negative Rate) 0.10, similarity 0.67, accuracy 0.87, sensitivity 0.89, sensitivity 0.86, specificity 0.87, F score 0.87 were found, respectively. TPR (True Positive Rate) 0.84, FPR (False Positive Rate) 0.12, TNR (True Negative Rate) 0.89, FNR (False Negative Rate) 0.14, similarity 0.73, accuracy 0.84, sensitivity 0.84, sensitivity 0.86, specificity 0.87, F score 0.84 were calculated for Otsu. After that, in addition to 8 images, 646 images were taken from the Kaggle data bank, 504 were October for training and 142 were reserved for testing. Region detection was performed with U-Net artificial neural network architecture. The tumor region obtained as a result of network training was compared with the tumor region in the marked reference image.With an Epoch value of 100, the test result was achieved with an accuracy of 96% with a loss rate of 4%. As a result, it has been determined that these methods can be used for tumor detection, and the artificial neural network model has found the highest accuracy.