Hilal ÇAPKAN, Büşra DÖNMEZ, Gazi Muhammed KALKAN, Muhammed Zahid KAYA, Sümeyye GÜREL, Eren AKDAĞLI, Yusuf Cafer TOK, Sevde Nur ŞENOL, Derya KANDAZ, Muhammed Kürşad UÇAR

Hibrit Yapay Zeka Tabanlı Meme Kanseri Teşhisi

Soyut 2020 yılı verilerine göre dünya genelinde teşhis edilen her sekiz kanserden 1'inin ve ölüme neden olan kanserler arasında 5.'sinin meme kanseri olduğu görülmektedir. Doğru zamanda teşhis ve tedavi edilmeyen hastalarda kanser farklı organlara yayılabilir ve tedavi edilemez bir aşamaya gelebilir. Bu nedenle meme kanseri teşhisi için geçen sürenin kısaltılması ve ölüm oranlarının düşürülmesi, hastalığın doğru ve erken teşhisi için büyük önem taşımaktadır. Bu çalışma, yapay zeka tabanlı meme kanseri teşhisi için çeşitli makine öğrenme algoritmaları ve yöntemleri kullanarak kanser tespitinin doğruluğunu artırmayı amaçlamaktadır. 780 kişiden alınan ultrasonografi görüntüleri kullanılarak istatistiksel parametrelerle işlenen görüntü bilgileri çıkarılmıştır. Çıkarılan veri seti üzerinde üç farklı makine öğrenmesi algoritması ve bu algoritmaların bir kombinasyonu olarak tasarlanan hibrit makine öğrenmesi algoritması uygulanarak yapay zeka tabanlı meme kanseri tespiti gerçekleştirilmiştir. Bu sayede birey için ileri düzeyde riskler oluşturmadan kanserli hücrelerin erken teşhisi gerçekleştirilecek ve tedavisi mümkün olacaktır.

Anahtar Kelimeler:

Meme Kanseri, Hibrit Yapay Zeka, Görüntü İşleme, Özellik Seçimi, Erken Teşhis

Diagnosis of Breast Cancer with Hybrid Artificial Intelligence Method

According to the data of 2020, it is seen that 1 of every eight cancers diagnosed worldwide and the 5th among cancers that cause death is breast cancer. Cancer can spread to different organs and reach an incurable stage in patients who are not diagnosed and treated at the right time. Therefore, reducing the time taken for breast cancer diagnosis and reducing mortality rates are of great importance for accurate and early diagnosis of the disease. This study aims to improve the accuracy of cancer detection by using various machine learning algorithms and methods for artificial intelligence-based breast cancer diagnosis. By using ultrasonography images taken from 780 people, image information processed with statistical parameters was extracted. Artificial intelligence-based breast cancer detection was performed by applying three different machine learning algorithms and the hybrid machine learning algorithm designed as a combination of these algorithms on the extracted data set. In this way, early detection of cancerous cells will be carried out without creating advanced risks for the individual, and treatment will be possible.

Keywords:

Breast Cancer, Hybrid Artificial Intelligence, Image Preprocessing, Feature Selection, Early Diagnosis,

PDF

___

G. Z. Gülsüm, Ç. H. Oğuz, S. A. İbrahim, and K. Aziz, “Geriatrik Hastalarda Meme Kanseri | Makale | Türkiye Klinikleri,” Türkiye Klinikleri Tıbbi Onkoloji - Özel Konular. pp. 75–81, 2018.
R. Sohbet and F. Karasu, “Kadınların Meme Kanserine Yönelik Bilgi, Davranış ve Uygulamalarının İncelenmesi Investigation Of The Knowledge, Behavior And Applications Of Their Women Towards Breast Cancer,” Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi Araştırma Makalesi GUSBD, vol. 6, no. 4, pp. 113–121, 2017.
Ü. Bayol et al., “Meme Sağlığı Dergisi 2007 Cilt: 3 Sayı: 2 MEME KANSERİ TARAMA YÖNTEMLERİ*,” Meme Sağlığı Dergisi / The Journal Of Breast Health, vol. 3, no. 2, pp. 109–111, 2007.
Ç. S. Süreyya et al., “Meme kanserinin tespitinde Tc-99m MIBI meme sintigrafisi, mamografi ve ultrasonografi yöntemlerinin etkinliklerin karşılaştırılması,” S.D.Ü. Tıp Fak. Derg, vol. 14, no. 3, pp. 1–6, 2007.
E. Öztad and B. M. A. B. Dalı, “Meme Kanseri Tespitinde Sınıflandırma ve Sinir Ağları Yöntemlerinin Karşılaştırılması,” İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi, vol. 1, no. 1, pp. 49–54, Aug. 2020.
S. Aydımtuğ, “Meme Kanserinde Erken Tanı,” Sürekli Tıp Eğitimi Dergsi (STED), vol. 13, no. 6, pp. 226–228, 2004.
Y. E. Aksoy, E. Ç. Turfan, E. Sert, and G. Mermer, “Özgün Araştırma / Original Article Meme Kanseri Erken Tanı Yöntemlerine İlişkin Engeller Barriers on Breast Cancer Early Detection Methods,” Breast Health, vol. 11, pp. 26–30, 2015, doi: 10.5152/tjbh.2014.2296.
E. A. Aydin, “Meme Kanseri Tespitinde Mikrodalgaların Önemi ve Kanserli/Sağlıklı Meme Dokularının Yapay Zeka Algoritmaları ile Tanımlanabilmesi,” Çukurova University Journal of the Faculty of Engineering and Architecture, vol. 29, no. 2, pp. 27–38, Aug. 2014.
W. Al-Dhabyani, M. Gomaa, H. Khaled, and A. Fahmy, “Dataset of breast ultrasound images,” Data Brief, vol. 28, p. 104863, Feb. 2020, doi: 10.1016/J.DIB.2019.104863.
A. Rodriguez-Ruiz et al., “Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists,” JNCI: Journal of the National Cancer Institute, vol. 111, no. 9, pp. 916–922, Sep. 2019, doi: 10.1093/JNCI/DJY222.
A. B. Nassif, M. A. Talib, Q. Nasir, Y. Afadar, and O. Elgendy, “Breast cancer detection using artificial intelligence techniques: A systematic literature review,” Artif Intell Med, vol. 127, p. 102276, May 2022, doi: 10.1016/J.ARTMED.2022.102276.