Meme Tümörü Ultrason Görüntülerinin Yapay Zekâ Teknikleri ve İstatistiksel Yöntemlerle Sınıflandırılması

Abstract

Meme kanseri, erken teşhisin hasta sonuçlarını iyileştirmek için kritik öneme sahip olduğu, küresel bir sağlık sorunu olarak kalmaya devam etmektedir. Girişimsel olmayan bir tanı aracı olan ultrason görüntüleme, tümör özelliklerine dair değerli bilgiler sunmaktadır. Ancak, görsel özelliklerin örtüşmesi nedeniyle iyi huylu ve kötü huylu tümörleri ayırt etmede zorluklar yaşanmaktadır. Yapay zeka (YZ) teknikleri, tıbbi görüntülemede sınıflandırma doğruluğunu artırmada umut vaat etmektedir. Bu çalışma, ultrason görüntülerinden meme tümörlerini sınıflandırmada dört YZ modelinin Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve k-En Yakın Komşu (k-NN) etkinliğini araştırmaktadır. Çalışmada, her biri 150 iyi huylu ve 150 kötü huylu olmak üzere toplamda 300 ultrason görüntüsünden oluşan bir veri seti, her bir YZ modelinin değerlendirilmesi için kullanılmıştır. Sonuç olarak, YSA %87.78 ile en yüksek doğruluğu sağlarken, DVM %86.67, KA %83.33 ve k-En Yakın Komşu %72.22 bunu takip etmiştir. Özgüllük en yüksek DVM için %95.56, duyarlılık ise YSA için %86.67 olarak tespit edilmiştir. YSA, ayrıca %88.64 ve %86.96 ile pozitif ve negatif öngörü değerlerinde de olumlu sonuçlar vermiştir. Eğri Altındaki Alan (EAA) değerleri YSA %87.80 ve DVM %86.70 için güçlü bir performans göstermiş, k-En Yakın Komşu ise çoğu metrikte en düşük performansı sergilemiştir. Son olarak, bu çalışma, kötü huylu tümörlerin iyi huylu tümörlere kıyasla daha fazla heterojenlik ve düzensizlik sergilediğini, iyi huylu tümörlerin ise daha yuvarlak bir yapıya sahip olduğunu ortaya koymaktadır. Bulgular, YSA ve DVM'nin meme tümörü sınıflandırmasında sağlam doğruluk ve güvenilirlik sunduğunu ve KA ile k-NN'nin üzerinde bir performans gösterdiğini ortaya koymaktadır. Anahtar kelimeler: Destek vektör makineleri, Görüntü işleme, Karar ağaçları, k-en yakın komşu, Meme tümörü, Ultrason, Yapay sinir ağları

Breast cancer remains a significant global health concern, where early diagnosis is crucial for improving patient outcomes. Ultrasound imaging, a non-invasive diagnostic tool, provides valuable insights into tumor characteristics. However, it presents challenges in distinguishing between benign and malignant tumors due to overlapping visual features. Artificial intelligence (AI) techniques have shown promise in enhancing classification accuracy within medical imaging., This study investigates the effectiveness of four AI models Artificial Neural Networks (ANN), Support Vector Machines (SVM), Decision Trees (DT), and k-Nearest Neighbors (k-NN) in classifying breast tumors from ultrasound images. Therefore, a dataset of 300 ultrasound images, evenly split between 150 benign and 150 malignant cases, was used to evaluate each AI model. Consequently, results indicate that ANN achieved the highest accuracy at 87.78%, followed by SVM 86.67%, DT 83.33%, and k-NN 72.22%. Specificity was highest for SVM at 95.56%, while sensitivity peaked for ANN at 86.67%. ANN also yielded favorable results in positive and negative predictive values, at 88.64% and 86.96%, respectively. The Area Under the Curve (AUC) values demonstrated strong performance for both ANN 87.80% and SVM 86.70%, whereas k-NN showed the lowest performance across most metrics. Finally, this study further reveals that malignant tumors exhibit greater heterogeneity and irregularity in shape compared to benign tumors, while benign tumors tend to display a greater degree of roundness. Then, the findings suggest that ANN and SVM provide robust accuracy and reliability for breast tumor classification, outperforming DT and k-NN. Keywords: Artificial neural networks, Breast tumor, Decision trees, Image Processing, k-nearest neighbors, Support vector machines, Ultrasound