Öz
Amaç
Gelişmiş özellik çıkarma ve topluluk öğrenmesi teknikleri kullanarak tanısal doğruluğu artırmayı hedefleyen, meme ultrason görüntülerinin benign, malign ve normal kategorilerine sınıflandırılması için güçlü bir makine öğrenmesi modeli geliştirmek ve doğrulamaktır.
Yöntem
Beş halka açık veri setinden oluşan 2233 görüntülük bir veri seti kullanılmıştır. İlgili bölgeler maskelendikten sonra, önceden eğitilmiş VGG16, ResNet50V2 ve EfficientNetB3 modelleri kullanılarak derin özellikler çıkarılmış ve birleştirilmiştir. Temel bileşen analizi, LightGBM ile özyinelemeli özellik eleme ve kısmi en küçük kareler ayırt edici analizi içeren çok adımlı bir özellik seçme süreci uygulanmıştır. Lojistik regresyon meta-öğrenicisi ile LightGBM, XGBoost, CatBoost ve random forest’ı entegre eden bir yığınlama topluluk sınıflandırıcısı, %75’lik (sentetik azınlık aşırı örnekleme tekniği ile dengelenmiş) eğitim seti üzerinde 5-fold cross-validation kullanılarak eğitilmiş ve %25’lik test seti üzerinde değerlendirilmiştir.
Bulgular
Model, test seti üzerinde makro ortalama işlem karakteristik eğrisi altındaki alan (EAA) değeri 0,956 ve F1 skoru 0,88 elde etmiştir. Benign sınıf sonuçları EAA: 0,984, F1: 0,93 ve normal sınıf sonuçları EAA: 0,969, F1: 0,92. Malign sınıf sonuçları EAA: 0,916, F1: 0,79. Özellik önem analizi ResNet50V2’nin en yüksek katkıyı sağladığını göstermiştir.
Sonuç
Çoklu evrişimli sinir ağları derin özellik birleştirme, optimize edilmiş özellik seçimi ve topluluk yığınlamayı birleştiren önerilen yaklaşım, özellikle benign ve normal olgular için otomatik meme ultrason sınıflandırması açısından önemli bir potansiyel göstermektedir. Klinik karar desteği için umut verici olmakla birlikte, modelin malign lezyonlar için daha düşük duyarlılığı, daha fazla iyileştirme gerektirmektedir.
Anahtar Kelimeler: Meme ultrasonu, derin öğrenme, bilgisayar destekli tanı, topluluk öğrenmesi, görüntü sınıflandırma
Kaynakça
Zhang E, Seiler S, Chen M, Lu W, Gu X. BIRADS features-oriented semi-supervised deep learning for breast ultrasound computer-aided diagnosis. Phys Med Biol. 2020;65:125005.
Yap MH, Pons G, Martí J, et al. Automated breast ultrasound lesions detection using convolutional neural networks. IEEE J Biomed Health Inform. 2018;22:1218-26.
Cao Z, Duan L, Yang G, Yue T, Chen Q. An experimental study on breast lesion detection and classification from ultrasound images using deep learning architectures. BMC Med Imaging. 2019;19:51.
Vigil N, Barry M, Amini A, et al. Dual-intended deep learning model for breast cancer diagnosis in ultrasound imaging. Cancers (Basel). 2022;14:2663.
Yu H, Sun H, Li J, et al. Effective diagnostic model construction based on discriminative breast ultrasound image regions using deep feature extraction. Med Phys. 2021;48:2920-8.
Kalafi EY, Jodeiri A, Setarehdan SK, et al. Classification of breast cancer lesions in ultrasound images by using attention layer and loss ensemble in deep convolutional neural networks. Diagnostics. 2021;11:1859.
Vallez N, Bueno G, Deniz O, Rienda MA, Pastor C. BUS-UCLM: breast ultrasound lesion segmentation dataset. Mendeley Data, V1. 2024. Available from: https://data.mendeley.com/datasets/7fvgj4jsp7/1
Al-Dhabyani W, Gomaa M, Khaled H, Fahmy A. Dataset of breast ultrasound images. Data Brief. 2020;28:104863.
Abbasian Ardakani A, Mohammadi A, Mirza-Aghazadeh-Attari M, Acharya UR. An open-access breast lesion ultrasound image database: applicable in artificial intelligence studies. Comput Biol Med. 2023;152:106438.
Iqbal A. BUSC Dataset. Mendeley Data, V1. 2023. Available from: https://data.mendeley.com/datasets/vckdnhtw26/1
Pawłowska A, Ćwierz-Pieńkowska A, Domalik A, et al. Curated benchmark dataset for ultrasound based breast lesion analysis. Sci Data. 2024;11:148.
Gu Y, Xu W, Lin B, et al. Deep learning based on ultrasound images assists breast lesion diagnosis in China: a multicenter diagnostic study. Insights Imaging. 2022;13:124.
Ellis J, Appiah K, Amankwaa-Frempong E, Kwok SC. Classification of 2D ultrasound breast cancer images with deep learning. 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2024;5167-73.
Ragab M, Albukhari A, Alyami J, Mansour RF. Ensemble deep-learning-enabled clinical decision support system for breast cancer diagnosis and classification on ultrasound images. Biology (Basel). 2022;11:439.
Yadav A, Kolekar M, Zope M. ResNet-101 Empowered Deep Learning for Breast Cancer Ultrasound Image Classification. 2024;763-9.
Jabeen K, Khan MA, Alhaisoni M, et al. Breast cancer classification from ultrasound images using probability-based optimal deep learning feature fusion. Sensors (Basel). 2022;22:807.
Kiran A, Ramesh JVN, Rahat IS, Khan MAU, Hossain A, Uddin R. Advancing breast ultrasound diagnostics through hybrid deep learning models. Comput Biol Med. 2024;180:108962.
Lyu Y, Xu Y, Jiang X, Liu J, Zhao X, Zhu X. AMS-PAN: breast ultrasound image segmentation model combining attention mechanism and multi-scale features. Biomed Signal Process Control 2023;81:104425.
