Erken Dönem Meme Kanseri Teşhisi — Bilgisayarlı Görü

Mamografilerde kitle ve kalsifikasyon tespiti ile BI-RADS sınıflandırma

T.C. Sağlık Bakanlığı & TÜSEB desteği 5 Bin Proje İçinde İlk 50'de Ulusal Finalist
Mamografide tespit ve sınıflandırma görseli
Model eğitimi ve izleme temsili

Proje Bilgileri

  • Kategori: Sağlıkta Yapay Zekâ — Bilgisayarlı Görü
  • Görevler: Kitle & Kalsifikasyon Tespiti, BI-RADS (Görüntü) Sınıflandırma
Kitle Tespiti F1 Makro
>%90
Kalsifikasyon F1 Makro
>%90
BI-RADS 1,2,4,5 F1 Makro
>%90

Özet & Özgünlük

Bu projede, meme kanserinin erken dönem teşhisine yönelik bir karar destek sistemi geliştirilmiştir. Çözüm, hekimlerce kullanılan BI-RADS risk sınıflandırmasını ve şüpheli kitle ile kalsifikasyon tespitini kapsamaktadır; her iki görevde de %90’ın üzerinde başarı elde edilmektedir.

Tespit görevlerinde YOLO ile ABC tabanlı hiperparametre optimizasyonu kullanılmıştır. Sınıflandırma görevlerinde ise negatif tabanlı kolektif öğrenme yaklaşımı EfficientNet-B1 üzerinde uygulanmıştır. Bu yaklaşımın, literatürde standart sınıflandırma düzeneklerine kıyasla üstün performans gösterdiği gözlemlenmiş olup, bulgular makale olarak hazırlanmaktadır.

Mimari Bileşenler

  • ROI Kırpıcı: Faster R-CNN ile yalnızca ilgi bölgelerinin (ROI) modele dâhil edilmesi; gereksiz alanların elenmesi.
  • Ön İşleme: DICOM (DCM) → PNG dönüşümü; yeniden boyutlandırma (sınıflandırma: 256 px, tespit: 640 px); lezyon tespiti başarımını artırmak için CLAHE; veri artırma (90° rotasyonlar).
  • Yoğunluk Sınıflandırıcı: Mamografilerin A/B/C/D yoğunluklarına ayrılması; tespit ve sınıflandırma modellerinin yoğunluğa özel eğitilmesi.
  • Tespit: A/B/C/D için ayrı YOLO modelleri ve ABC tabanlı hiperparametre optimizasyonu ile kitle ve kalsifikasyon tespiti.
  • BI-RADS (Görüntü) Sınıflandırma: VGG16, InceptionV3, ResNet, EfficientNet ve DenseNet varyantları üzerinde değerlendirmeler; farklı yoğunlukların model başarısına olumsuz etkisinin nötrlenmesi; EfficientNet-B1 üzerinde eğitilmiş Negatif Tabanlı Kolektif Öğrenme mimarisiyle özgün ve yenilikçi BI-RADS sınıflandırması.
  • Optimizasyon: Tespitte YOLO hiperparametrelerinin ABC ile ayarlanması; BI-RADS ve yoğunluk sınıflandırmada geniş arama uzayı + Random Search.

Teknoloji Yığını

Python PyTorch YOLOv10 Faster R-CNN OpenCV / CLAHE CUDA RTX 4090 ABC (Hiperparametre) DenseNet / ResNet / EfficientNet

Kullanılan Veri Setleri

  • BI-RADS, Kitle, Kalsifikasyon Sağlık Bakanlığı 1000 Hasta Mamografi Verisi(BI-RADS 1-2-4-5)
  • ROI Kırpma: RSNA Breast Cancer Detection ROI türetilmiş set
  • Yoğunluk & BI-RADS: RSNA halka açık veri (~25k yoğunluk etiketli, ~26k BI-RADS 1–2).
Tüm Projeler
Projelere Git