Özet:
Gelişen bilgisayar donanımları ile paralel artış gösteren yapay zekâ uygulamaları, hızlı ve yüksek doğrulukta sonuç vererek erken tanıya olanak sağlamaları ve olası metastazların önlenebilmesi gibi avantajlarından dolayı biyomedikal alanında kanserli dokuların tespitinde sıklıkla tercih edilmektedir. Bu tez çalışmasında termal meme görüntüleri üzerinden meme bölgelerinin bölütlenmesi ve sınıflandırılması işlemleri çalışılmıştır. Açık veri setinden alınan termal görüntüler derin öğrenme modellerine verilmeden önce bazı ön işlemlerden geçirilmiştir. Ön işlemlerin ardından meme bölgeleri bölütlenerek eğitim işlemleri için meme bölgesi dışında kalan alanlar otomatik olarak kırpılmıştır. Daha sonra sınıflandırma için iki farklı yöntem denenmiştir. İlk yöntemde meme bölgelerinin el yordamıyla bölütlenmesi ve transfer öğrenme uygulanarak sınıflandırılması yapılmıştır. İkinci yöntemde ise meme bölgelerinin otomatik bölütlenmesinin ardından transfer öğrenme uygulanarak lezyon sınıflandırılması çalışılmıştır. İkinci yöntemde kullanılan otomatik bölütleme işlemi için U-Net ve Mask R-CNN teknikleri denenmiş ve Mask R-CNN metodunun daha yüksek başarım göstermesi nedeniyle çalışmaya bu metot ile devam edilmiştir. Çalışmada kullanılan iki farklı yöntemin de eğitim işlemlerinde önceden eğitilmiş InceptionV3, MobileNet, MobileNetV2, ResNet50, VGG16, VGG19 ve Xception mimarileri ile transfer öğrenme uygulanmıştır. Çalışmanın bulguları incelendiğinde en yüksek eğitim doğruluğu, kesinliği ve duyarlılığını Xception (%100) mimarisi vermiştir. Eğitilen mimarilerin test başarımları incelendiğinde InceptionV3 ve MobileNet mimarilerinde %100 doğruluk, kesinlik ve duyarlılık elde edilmiştir. Kullanılan mimariler arasında en uzun sürede eğitilen ve en geç test sonucu veren mimariler Xception ve VGG mimarileri olurken en hızlı test sonucu veren mimari ise MobileNet mimarisi olmuştur.
