EJONS INTERNATIONAL JOURNAL ON MATHEMATICS, ENGINEERING & NATURAL SCIENCES ISSN 2602 - 4136

Quick Access


Bu Dergi DOI ve Crosscheck üyesidir


ULTRASON GÖRÜNTÜLERDE GÖĞÜS TÜMÖR LEZYONLARININ MASK R-CNN İLE TESPİTİ VE BÖLÜTLENMESİ
(DETECTION AND SEGMENTATION OF BREAST TUMOR LESIONS IN ULTRASOUND IMAGES WITH MASK R-CNN )

Author : Ahsen AYDIN BÖYÜK  Mustafa BÖYÜK, Emine DOĞRU BOLAT  
Type :
Printing Year : 2021
Number : 18
Page :
Cite : Ahsen AYDIN BÖYÜK Mustafa BÖYÜK, Emine DOĞRU BOLAT, (2021). ULTRASON GÖRÜNTÜLERDE GÖĞÜS TÜMÖR LEZYONLARININ MASK R-CNN İLE TESPİTİ VE BÖLÜTLENMESİ . EJONS INTERNATIONAL JOURNAL ON MATHEMATICS, ENGINEERING - NATURAL SCIENCES, 18, p. . Doi: .
    


Summary

Dünya çapında meme kanseri, kadınlarda kanserden ölüm oranlarının en yüksek olduğu kanser türü olarak görünmektedir. Bilindiği üzere bu türden ölüm oranlarını azaltmanın temel yolu erken ve doğru teşhisten geçmektedir. Son yıllarda araştırmacılar, tanı süresini kısaltmak için evrişimli sinir ağları tabanlı bilgisayarlı görme tekniklerine odaklanmışlardır. Sinir ağı modellerinin yüzlerce hatta binlerce farklı meme ultrasonu görüntüsü ile eğitilmesiyle tümörlü bölgenin tespitini hedeflemişlerdir. Bu çalışmadaki temel amaçta benzer şekilde memede oluşan iyi ya da kötü huylu tümörlerin ultrason görüntüleri kullanılarak lezyonun otomatik olarak tespiti, sınıflandırılması (iyi-kötü huylu) ve bölütlemesi için bir model oluşturmaktır. Bu model hastanelerin PACT sistemiyle entegre edilebilir ve önümüzdeki yıllarda hekimlere tanı koymaları için destek vermesi beklenmektedir. İyi-kötü huylu lezyon ayrımı maske bölgeleri kullanılarak Mask R-CNN denilen bir derin öğrenme modeli ile gerçekleştirilmiştir. Ayrıca 4 farklı özellik çıkarıcı omurga (ResNet50 FPN-ResNet50 C4-ResNet101 FPN-ResNet101 C4) kullanılmıştır. Benign sınıfı için, Resnet 50 C4 modeli AP açısından en yüksek algılamaya ulaşmıştır. Resnet 101 C4 modeli, malign sınıf için en yüksek performansı elde etmiştir.



Keywords
meme kanseri; derin öğrenme; mask R-CNN; ultrason, bölütleme

Abstract

Worldwide, breast cancer appears to be the type of cancer with the highest cancer mortality rates in women. As is known, the main way to reduce such death rates is through early and accurate diagnosis. In recent years, researchers have focused on convolutional neural networks-based computer vision techniques to shorten the time of diagnosis. By training neural network models with hundreds or even thousands of different breast ultrasound images, they aimed to detect the tumor area. Similarly, the main purpose of this study is to create a model for automatic detection, classification (benign-malignant) and segmentation of the lesion in ultrasound images. This model can be integrated with the PACT system of hospitals and is expected to support physicians for diagnosis in the coming years. Benign-malignant lesion differentiation was achieved by using mask regions with a deep learning model called Mask R-CNN. In addition, 4 different feature extracting backbones (ResNet50 FPN, ResNet50 C4, ResNet101 FPN, ResNet101 C4) were utilized. For Benign class, Resnet 50 C4 model achieved the highest detection in terms of AP. Resnet 101 C4 model achieved the highest performance for malignant class.



Keywords
breast cancer; deep learning; mask R-CNN; ultrasound, segmentation

Advanced Search


Announcements

    EYLÜL Sayısı

    VERBİS'E KAYIT S�RELERİ HAKKINDA DUYURU | Kırklareli Ticaret ve ...

    EYLÜL ayında yayınlanacak Sayımız için  20 AĞUSTOSTarihine kadar çalişmanızı Yükleyebilirsiniz



Address :Kazakh National Women's Pedagogical University, Almatı, Kazakhistan
Telephone :+7 778 921 0336 - 0 534 349 92 73 Fax :
Email :ejonsjournal@gmail.com

Web Yazılım & Programlama Han Yazılım Bilişim Hizmetleri