@article{article_1689000, title={Vision Transformer ve Swin Modelleri Kullanılarak Gelişmiş Mamografi Tabanlı Meme Kanseri Sınıflandırması DDSM Veri Seti Üzerine Bir Çalışma}, journal={Bilişim Teknolojileri Dergisi}, volume={18}, pages={319–333}, year={2025}, DOI={10.17671/gazibtd.1689000}, author={Meylem, Heya and Cicek, Gulay}, keywords={meme kanseri, dijital mamografi, derin öğrenme, transformer, sınıflandırma, dikkat mekanizması, ön işleme}, abstract={Meme kanseri, kadınlarda en sık rastlanan ve erken teşhisle tedavi başarısının önemli ölçüde artırılabildiği bir kanser türüdür. Bu çalışmada, dijital mamografi görüntülerinden (DDSM veri seti) yararlanarak meme kanseri lezyonlarının (kötü huylu, iyi huylu ve normal) otomatik sınıflandırılmasını amaçlanmıştır. Veri setinde toplamda 10.239 görüntü bulunmakta olup, veri setine öncelikle, kontrast iyileştirme (CLAHE, gamma düzeltmesi) ve gürültü giderme (Non-Local Means) gibi ön işleme adımları uygulanmıştır. Ardından, makine öğrenmesi (Destek Vektör Makineleri, Rastgele Orman) ve derin öğrenme (Evrişimsel Sinir Ağları, Vision Transformer, Swin Transformer) yöntemleriyle kapsamlı bir sınıflandırma çalışması gerçekleştirilmiştir. Ayrıca, CBAM (Convolutional Block Attention Module) ve çoklu ölçekli özellik füzyonu gibi dikkat mekanizmalarının entegrasyonu sayesinde, özellikle küçük ve zor tespit edilen tümör odaklarında yüksek tanı başarısı sağlanmıştır. Elde edilen deneysel sonuçlar, önerilen Vision Transformer (ViT) ve Swin Transformer hibrit mimarisinin, özellikle küçük ve zor tespit edilen tümör odaklarında mevcut yöntemlere göre daha yüksek performans göstererek (%87 doğruluk ve F1-skoru) literatüre önemli bir katkı sağladığını ortaya koymaktadır. Çalışma, meme kanseri görüntülemesinde Transformer tabanlı modellerin kullanımının, klasik CNN yaklaşımlarına kıyasla hem yerel hem de küresel özellikleri daha iyi yakalayabildiğini göstermektedir. Gelecek çalışmalarda veri kümesinin farklı hastanelerden alınan görüntülerle genişletilmesi ve model optimizasyonu (örneğin, hibrit CNN-Transformer mimarileri) ile tanı doğruluğunun daha da artırılması hedeflenmektedir. Böylece hekimlerin karar süreçlerine daha etkili bir destek sunulması ve erken teşhis oranlarının yükseltilmesi amaçlanmaktadır.}, number={4}, publisher={Gazi Üniversitesi}