Meme kanseri, meme dokusunu oluşturan hücre gruplarının kontrolsüz olarak çoğalması ile oluşan tümör sonucu ortaya çıkan bir hastalık. Kanserli doku, önce yakın çevresine sonra, memeye yakın lenf bezlerine yayılır. Zamanında tanı konulup tedavi edilmeyen kanser, diğer organlara yayılarak tedavisi olanaksız evreye geçer.
Projemizde geliştirdiğimiz yapay zeka modeli sayesinde hem yetişmiş insan yükü hem de ekipman açısından maliyetli olan biyopsi ve mamografi gibi yöntemlerin aksine hemen her bilgisayarla çalışabilen düşük maliyetli bir tanı sistemi geliştirilmiştir.
PROJE HAKKINDA:
Projemizde Teknofest TÜSEB tarafından verilen veri setleri üzerine çalışmalara başlanarak verileri işlemeye hazır hale getirmek için ön işleme aşamasına geçilmiştir. Süreç içerisinde farklı algoritmalar geliştirilmiştir, sırasıyla veri ön işleme, uygun modellerin belirlenmesi ve raporlanması gerçekleştirilmiştir. Proje tasarım raporunda kullanılması planlanan model dışında denenmesi için literatür araştırması yapılmıştır.
Segmentasyon için ön tasarım raporunda U-Net algoritması kullanılması planlanmıştı. Yapılan Teknofest soru-cevap toplantısında edinilen bilgiler ışığında U -Net kullanılmaması kararı alınmıştır.
Yapılan işlemler ve denenen modellerin başarıları analiz edilip ön tasarım raporuna göre küçük farklılıklar olmasına rağmen çalışmalar ön tasarım raporuna paralel gerçekleştirilmiştir.
Önerilen derin öğrenme modelinde, ilk olarak Teknofest TÜSEB tarafından verilen veri setinde bulunan mamografi görüntüleri ön işleme aşamasından geçirilmiştir. Veri ön işleme aşamasında veri setinin sayısal verilere dönüştürülmüş özellikleri EfficientNet gibi yapay zeka modellerinde eğitim yapılarak test edilmiştir.
BIRADS ve Kompozisyon bilgileri one hot encoding yöntemiyle sayısal değerlere çevrilmiştir. Kadran bilgisi içindeki “merkez”,”üst iç”,”üst dış” gibi birçok farklı değer vardır ve bu değerlerin tabloda belrtilmiştir.
Bütün tablo verisinin kadran değerleri kayıpsız olarak sayısal değere dönüştürülmüştür.