T1-ağırlıklı mr görüntülerinde meme tümörü tanısı için görüntü tabanlı tespit ve hasta bazlı karar iyileştirilmesinin birleştirilmesi: faster R-CNN yaklaşımı

Abstract

Meme kanseri, dünya genelinde kadınlar arasında en sık görülen kanser türlerinden biri olup, erken tanı ve tedavi süreci hastalığın seyri açısından hayati öneme sahiptir. Erken dönemde tespit edilen vakalarda tedavi başarı oranı belirgin ölçüde artmakta, bu da hasta sağkalım sürelerini anlamlı derecede uzatabilmektedir. Bu bağlamda, meme kanserinin erken evrede ve doğru şekilde tespiti için etkili, güvenilir ve hızlı tanı yöntemlerinin geliştirilmesi gerekmektedir. Günümüzde manyetik rezonans görüntüleme (MRG), yumuşak doku ayrımındaki üstünlüğü ve kontrast hassasiyeti sayesinde meme lezyonlarının görüntülenmesinde önemli bir rol oynamaktadır. Ancak, MRG görüntülerinin manuel olarak yorumlanması, zaman alıcı ve yorucu bir süreçtir; ayrıca yorumlayıcının deneyimine bağlı olarak subjektif farklılıklar içerebilir. Bu nedenle, otomatik tanı sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında, meme MRG görüntülerinde tümörlerin otomatik tespiti ve lokalizasyonunu sağlamak üzere derin öğrenme temelli iki aşalı bir sistem tasarlanmıştır. Birinci aşamada, Faster R-CNN tabanlı bir nesne tanıma modeli kullanılarak olası tümör bölgeleri belirlenmektedir. Bu aşama, hâlihazırda literatürde yaygın olarak kullanılan standart yaklaşımlarla paralellik göstermektedir. Ancak çalışmanın temel katkısı, ikinci aşamada sunulan ve dilim bazlı karar mekanizmasına dayanan yeni metodolojidir. Bu metodoloji, tüm görüntüler için sadece kutu tahmini yapmakla kalmayıp, dilim seviyesinde maske içerip içermediğine göre tahminlerin anlamlılığını sorgulamakta ve böylece yanlış pozitif oranını azaltmaktadır. Modelin eğitim ve test süreçlerinde çeşitli kaynaklardan elde edilmiş, T1 ağırlıklı, benzer kontrast seviyelerindeki görüntülere yer verilmiştir. Veriler Duke Üniversitesi, Zenodo veri platformu ve Infiwave Diagnostics Yazılım Limited Şirketi'nden sağlanan MRG görüntülerini içermektedir. Tüm veriler, T1-Ağırlıklı, kontrast sonrası fazlara ait , 512×512 çözünürlüğünde ve 16-bit derinliğindedir. Yöntem, iki düzeyde değerlendirilmiştir: Dilim bazlı testlerde, her bir MRG dilimi için referans maske ile modelin tahmini kıyaslanarak, doğru pozitif (TP, True Positive), yanlış negatif (FN, False Negative), yanlış pozitif (FP, False Positive) ve doğru negatif (TN, True Negative) sınıflandırmaları yapılmıştır. Bu bağlamda, yalnızca Faster R-CNN modelinin kullanıldığı senaryoya kıyasla, önerilen metodoloji ile özgüllük (specifity) değeri %92'den %98'e yükseltilmiştir. Bu durum, yalnızca kutu tabanlı tahminlere güvenmenin ötesine geçilerek, modelin anlamsız ya da hatalı pozitif tespitlerini elemine eden bir yapının başarılı bir şekilde entegre edildiğini göstermektedir. Hasta bazlı testlerde ise, 50 sağlıklı ve 50 tümörlü hastanın bulunduğu bir test veri seti kullanılmıştır. Bu testte, her bir hastanın en az bir diliminde tahmin bulunması durumunda tümörlü olarak sınıflandırılması yeterli kabul edilmiştir. Elde edilen sonuçlara göre, tümörlü hastaların 49'u doğru şekilde tespit edilmiş,hastalardan biri sağlıklı olarak işaretlenmiştir. Bu durum, \%98 oranında duyarlılık (sensitivity) değeri elde edildiğini göstermektedir. Diğer yandan, sağlıklı hastaların 46'sı doğru şekilde saptanabilmiş, 4 hasta ise yanlış olarak tümörlü olarak işaretlenmiştir; bu da özgüllük oranının %92 olarak gerçekleştiğini göstermektedir. Ayrıca, tespit edilen kutuların gerçek tümör maskesini kapsayıp kapsamadığı analiz edilerek, %97.95 oranında lokalizasyon başarısı elde edilmiştir. Tüm bu bulgular, önerilen sistemin hem dilim hem de hasta düzeyinde karar verme kabiliyetinin yüksek olduğunu, klasik yöntemlerin ötesinde anlamlı bir iyileştime sunduğunu ve yanlış pozitif/negatif oranlarını dikkate değer ölçüde azalttığını ortaya koymaktadır. Bu yöntemin, klinik uygulamalarda radyologlara karar destek aracı olarak hizmet verebilecek potansiyele sahip olduğu ve meme kanseri tarama süreçlerinde hızlı, güvenilir ve tutarlı bir yardımcı sistem olarak kullanılabileceği sonucuna varılmıştır.Meme kanseri, dünya genelinde kadınlar arasında en sık görülen kanser türlerinden biri olup, erken tanı ve tedavi süreci hastalığın seyri açısından hayati öneme sahiptir. Erken dönemde tespit edilen vakalarda tedavi başarı oranı belirgin ölçüde artmakta, bu da hasta sağkalım sürelerini anlamlı derecede uzatabilmektedir. Bu bağlamda, meme kanserinin erken evrede ve doğru şekilde tespiti için etkili, güvenilir ve hızlı tanı yöntemlerinin geliştirilmesi gerekmektedir. Günümüzde manyetik rezonans görüntüleme (MRG), yumuşak doku ayrımındaki üstünlüğü ve kontrast hassasiyeti sayesinde meme lezyonlarının görüntülenmesinde önemli bir rol oynamaktadır. Ancak, MRG görüntülerinin manuel olarak yorumlanması, zaman alıcı ve yorucu bir süreçtir; ayrıca yorumlayıcının deneyimine bağlı olarak subjektif farklılıklar içerebilir. Bu nedenle, otomatik tanı sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında, meme MRG görüntülerinde tümörlerin otomatik tespiti ve lokalizasyonunu sağlamak üzere derin öğrenme temelli iki aşalı bir sistem tasarlanmıştır. Birinci aşamada, Faster R-CNN tabanlı bir nesne tanıma modeli kullanılarak olası tümör bölgeleri belirlenmektedir. Bu aşama, hâlihazırda literatürde yaygın olarak kullanılan standart yaklaşımlarla paralellik göstermektedir. Ancak çalışmanın temel katkısı, ikinci aşamada sunulan ve dilim bazlı karar mekanizmasına dayanan yeni metodolojidir. Bu metodoloji, tüm görüntüler için sadece kutu tahmini yapmakla kalmayıp, dilim seviyesinde maske içerip içermediğine göre tahminlerin anlamlılığını sorgulamakta ve böylece yanlış pozitif oranını azaltmaktadır. Modelin eğitim ve test süreçlerinde çeşitli kaynaklardan elde edilmiş, T1 ağırlıklı, benzer kontrast seviyelerindeki görüntülere yer verilmiştir. Veriler Duke Üniversitesi, Zenodo veri platformu ve Infiwave Diagnostics Yazılım Limited Şirketi'nden sağlanan MRG görüntülerini içermektedir. Tüm veriler, T1-Ağırlıklı, kontrast sonrası fazlara ait , 512×512 çözünürlüğünde ve 16-bit derinliğindedir. Yöntem, iki düzeyde değerlendirilmiştir: Dilim bazlı testlerde, her bir MRG dilimi için referans maske ile modelin tahmini kıyaslanarak, doğru pozitif (TP, True Positive), yanlış negatif (FN, False Negative), yanlış pozitif (FP, False Positive) ve doğru negatif (TN, True Negative) sınıflandırmaları yapılmıştır. Bu bağlamda, yalnızca Faster R-CNN modelinin kullanıldığı senaryoya kıyasla, önerilen metodoloji ile özgüllük (specifity) değeri %92'den %98'e yükseltilmiştir. Bu durum, yalnızca kutu tabanlı tahminlere güvenmenin ötesine geçilerek, modelin anlamsız ya da hatalı pozitif tespitlerini elemine eden bir yapının başarılı bir şekilde entegre edildiğini göstermektedir. Hasta bazlı testlerde ise, 50 sağlıklı ve 50 tümörlü hastanın bulunduğu bir test veri seti kullanılmıştır. Bu testte, her bir hastanın en az bir diliminde tahmin bulunması durumunda tümörlü olarak sınıflandırılması yeterli kabul edilmiştir. Elde edilen sonuçlara göre, tümörlü hastaların 49'u doğru şekilde tespit edilmiş,hastalardan biri sağlıklı olarak işaretlenmiştir. Bu durum, \%98 oranında duyarlılık (sensitivity) değeri elde edildiğini göstermektedir. Diğer yandan, sağlıklı hastaların 46'sı doğru şekilde saptanabilmiş, 4 hasta ise yanlış olarak tümörlü olarak işaretlenmiştir; bu da özgüllük oranının %92 olarak gerçekleştiğini göstermektedir. Ayrıca, tespit edilen kutuların gerçek tümör maskesini kapsayıp kapsamadığı analiz edilerek, %97.95 oranında lokalizasyon başarısı elde edilmiştir. Tüm bu bulgular, önerilen sistemin hem dilim hem de hasta düzeyinde karar verme kabiliyetinin yüksek olduğunu, klasik yöntemlerin ötesinde anlamlı bir iyileştime sunduğunu ve yanlış pozitif/negatif oranlarını dikkate değer ölçüde azalttığını ortaya koymaktadır. Bu yöntemin, klinik uygulamalarda radyologlara karar destek aracı olarak hizmet verebilecek potansiyele sahip olduğu ve meme kanseri tarama süreçlerinde hızlı, güvenilir ve tutarlı bir yardımcı sistem olarak kullanılabileceği sonucuna varılmıştır.