Vision Transformer ve Swin Modelleri Kullanılarak Gelişmiş Mamografi Tabanlı Meme Kanseri Sınıflandırması DDSM Veri Seti Üzerine Bir Çalışma

Yıl 2025, Cilt: 18 Sayı: 4, 319 - 333, 31.10.2025

Heya Meylem , Gulay Cicek

https://doi.org/10.17671/gazibtd.1689000

Öz

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.

Anahtar Kelimeler

meme kanseri , dijital mamografi , derin öğrenme , transformer , sınıflandırma , dikkat mekanizması , ön işleme

Advanced Mammography Based Breast Cancer Classification Using Vision Transformer and Swin Models A Study on DDSM Dataset

Öz

Breast cancer is the most common cancer type in women, and early diagnosis significantly improves treatment success. This study aimed to automatically classify breast cancer lesions (malignant, benign, and normal) using digital mammography images (DDSM dataset). The dataset comprised 10,239 images. Pre-processing steps such as contrast enhancement (CLAHE, gamma correction) and denoising (Non-Local Means) were applied. Subsequently, a comprehensive classification study was conducted using machine learning (Support Vector Machines, Random Forest) and deep learning (Convolutional Neural Networks, Vision Transformer, Swin Transformer) methods. Furthermore, the integration of attention mechanisms such as CBAM (Convolutional Block Attention Module) and multi-scale feature fusion enabled high diagnostic success, especially for small and difficult-to-detect tumor foci. The experimental results demonstrate that the proposed Vision Transformer (ViT) and Swin Transformer hybrid architecture significantly contributes to the literature by outperforming existing methods, particularly in small and difficult-to-detect tumor foci (87% accuracy and F1-score). The study demonstrates that the use of Transformer-based models in breast cancer imaging can better capture both local and global features compared to traditional CNN approaches. Future studies aim to further increase diagnostic accuracy by expanding the dataset with images from different hospitals and by using model optimization (e.g., hybrid CNN-Transformer architectures). This aims to provide more effective support to physicians' decision-making processes and increase early diagnosis rates.

Anahtar Kelimeler

keywords-breast cancer , digital mammography , deep learning , transformer , classification , attention mechanism , preprocessing

Kaynakça

• Erdem SS, Yılmaz M, Yıldırım H, Mayda AS, Bolu F, Durak AA, Şener Ö (2017) Düzce’de yaşayanların kanser ve kanser risk faktörleri hakkında bilgi düzeyi. Düzce Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi 7(1): 1–10.
• Aydıntuğ S (2004) Meme kanserinde erken tanı. Sted 13(6): 226–229.
• Güzel N, Bayraktar N (2019) Kadınların meme kanserinin erken tanısına yönelik farkındalıklarının ve uygulamalarının belirlenmesi. Hacettepe Üniversitesi Hemşirelik Fakültesi Dergisi 6(2): 101–110.
• Köksal NG (2022) Meme kanserinde tarama ve erken tanı. Doğu Karadeniz Sağlık Bilimleri Dergisi 1(2): 50–56.
• Şentürk A, Şentürk ZK (2021) Yapay sinir ağları ile göğüs kanseri tahmini. El-Cezeri 3(2).
• Başkan S, Atahan K, Arıbal E, Özaydın N, Balcı P, Yavuz E (2012) Meme kanserinde tarama ve tanı (İstanbul meme kanseri konsensus konferansı 2010). Meme Sağlığı Dergisi/Journal of Breast Health 8(3).
• Arıbal E, Tunçbilek N, Çelik L (2012) Türk Radyoloji Derneği Meme Radyolojisi Çalışma Grubu Meme Kanseri Radyolojik Tarama Standartları. Meme Sağlığı Dergisi/Journal of Breast Health 8(1).
• Seçginli S (2011) Meme Kanseri Taraması: Son Yenilikler Neler? TAF Preventive Medicine Bulletin 10(2).
• Atlan F, Pence İ (2021) An overview of artificial intelligence and medical imaging technologies. Acta Infologica 5(1).
• Okal G (2019) Meme kanseri riskinin termal görüntüleme ve makine öğrenmesi ile saptanması. Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü.
• Kirelli Y (2022) Tıbbi görüntü analizi ve işlemde derin öğrenme modelleri= Deep learning models on medical image analysis and processing. Sakarya Üniversitesi.
• Kaya U, Yılmaz A, Dikmen Y (2019) Sağlık alanında kullanılan derin öğrenme yöntemleri. Avrupa Bilim ve Teknoloji Dergisi 16: 792–808.
• Eker AG, Duru N (2021) Medikal görüntü işlemede derin öğrenme uygulamaları. Acta Infologica 5(2): 459–474.
• Kanca E, Ayas S, Kablan EB, Ekinci M (2023) Performance Comparison of Vision Transformer-Based Models in Medical Image Classification. In: 2023 31st Signal Processing and Communications Applications Conference (SIU), IEEE, pp 1–4.
• Karakaya A (2024) Meme kanseri tahmininde makine öğrenmesi algoritmaları ve AutoML. Doktora Tezi, Pamukkale Üniversitesi.
• Özögur HN, Orman Z (2016) Sağlık Verilerinin Analizinde Veri Ön İşleme Adımlarının Makine Öğrenmesi Yöntemlerinin Performansına Etkisi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 16(1): 23–33.
• Özbay F, Özbay E (Yıl bilgisi yok) Makine Öğrenmesi Algoritmalarının Kalp Yetmezliği Hastalarının Hayatta Kalma Tahmini Üzerindeki Performans Karşılaştırılması. (Yayın bilgisi eksik.)
• Özgür SN, Keser SB (2021) Meme kanseri tümörlerinin derin öğrenme algoritmaları ile sınıflandırılması. Türk Doğa ve Fen Dergisi 10(2): 212–222.
• Parlar S, Kaydul N, Ovayolu N (2005) Meme kanseri ve kendi kendine meme muayenesinin önemi. Anadolu Hemşirelik ve Sağlık Bilimleri Dergisi 8(1): 72–83.
• Tiryaki VM (Yıl bilgisi yok) Meme kanseri anormalliklerinin öğrenme transferi yöntemiyle sınıflandırılması. (Yayın bilgisi eksik.)
• Yetkiner HH, Coşan M, Aydın AS (Yıl bilgisi yok) Derin öğrenme yöntemleri kullanılarak mamografi görüntüleri ile meme kanseri teşhisi. (Yayın bilgisi eksik.)
• Aslan FE, Gürkan A (2007) Kadınlarda meme kanseri risk düzeyi. Meme Sağlığı Dergisi 3: 63–68.
• Yılmaz RC (2024) Sağkalım dönemi meme kanserli hastalarda aerobik egzersize dayalı telerehabilitasyon programının üst ekstremite fonksiyonelliği, kognitif durum ve yaşam kalitesine etkisi. Doktora Tezi, Hasan Kalyoncu Üniversitesi Lisansüstü Eğitim Enstitüsü Fizyoterapi ve… (devamı belirtilmemiş.)
• Poyraz N (2017) Üniversite öğrencilerinin kanser risk faktörlerine yönelik farkındalıklarının belirlenmesi. (Yayın bilgisi eksik.)
• Ceylan E (2019) Meme kanseri beden imajı ölçeğinin Türkçeye uyarlanması. Yüksek Lisans Tezi, İstanbul Medipol Üniversitesi Sağlık Bilimleri Enstitüsü.
• Sarker, S., Sarker, P., Bebis, G., & Tavakkoli, A. (2024, May). MV-Swin-T: Mammogram classification with multi-view swin transformer. In 2024 IEEE International Symposium on Biomedical Imaging (ISBI) (pp. 1-5). IEEE.
• Saini, V., Khurana, M., & Challa, R. K. (2025). Hybrid CNN–ViT Model for Breast Cancer Classification in Mammograms: A Three-Phase Deep Learning Framework. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 7(4), 977-990.
• Anwer AMO (2017) Derin öğrenme yöntemleri ile göğüs kanseri teşhisi. Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
• Burçak KC (2022) Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması. Yüksek Lisans Tezi, Konya Teknik Üniversitesi.
• Bilgiç B (2021) Comparison of breast cancer and skin cancer diagnoses using deep learning method. In: 2021 29th signal processing and communications applications conference (SIU), IEEE, pp 1–4.
• Clark K, Vendt B, Freymann K, et al. The Cancer Imaging Archive (TCIA): Maintaining and operating a public service for cancer imaging data. Journal of Digital Imaging. 2013;26(6):1045-1057.
• Kör H (2019) Meme Kanserinin Makine Öğrenmesi Yöntemleri ile İkili Sınıflandırılması. SETSCI-Conference Proceedings 9: 508–511.
• Çivilibal S, Çevik KK, Bozkurt A (2023) Derin Öğrenme Yardımıyla Aktif Termogramlar Üzerinden Meme Lezyonlarının Sınıflandırması. Süleyman Demirel University Faculty of Arts and Science Journal of Science 18(2): 140–156.
• Talo M (2019) Meme Kanseri Histopatalojik Görüntülerinin Konvolüsyonal Sinir Ağları ile Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31(2): 391–398.
• Cengil E, Çınar A (2020) Göğüs verileri metrikleri üzerinden kanser sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 11(2): 513–519.
• Tiryaki VM (2020) Mamografi görüntülerindeki anormalliklerin yerel ikili örüntü ve varyantları kullanılarak sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 9(1): 297–305.
• Bayrak EA, Kırcı P, Ensari T, Seven E, Dağtekin M (2022) Göğüs Kanseri Verileri Üzerinde Makine Öğrenmesi Yöntemlerinin Uygulanması. Journal of Intelligent Systems: Theory and Applications 5(1): 35–41.
• Ateş EC, Bostancı E, Güzel MS (2021) Yapay Zeka ve Makine Öğrenmesi Temelinde Meme Kanseri Teşhisi. Turkiye Klinikleri Forensic Medicine-Special Topics 7(3): 61–68.
• Ateş FF, Çalışkan A, Toğaçar M (2022) Ultrason Tabanlı Meme Kanseri Görüntülerinin Derin Öğrenme Yaklaşımları ile Sınıflandırılması. Fırat Üniversitesi Fen Bilimleri Dergisi 34(2): 179–187.
• Pala MA, Çimen ME, Boyraz ÖF, Yıldız MZ, Boz AF (2019) Meme kanserinin teşhis edilmesinde karar ağacı ve knn algoritmalarının karşılaştırmalı başarım analizi. Academic Perspective Procedia 2(3): 544–552.
• Eriş Ö, Eriş SB, Bozkurt MR (2022) Mamografik Kitle Sınıfının Makine Öğrenmesi Teknikleri ile Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 11(1): 164–175.
• Erdem E, Aydın T (2021) Göğüs Kanseri Histopatolojik Görüntü Sınıflandırması. Bilişim Teknolojileri Dergisi 14(1): 87–94.
• Akcan F, Sertbaş A (2021) Topluluk Öğrenmesi Yöntemleri ile Göğüs Kanseri Teşhisi. Electronic Turkish Studies 16(2).
• Ereken ÖF, Tarhan C (2022) Breast cancer detection using convolutional neural networks. In: 2022 International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), IEEE, pp 597–601.
• Dandil E, Çevik KK, Yıldırım MS, Uzun S, Selvi AO (2020) Histopatolojik Görüntülerde Derin Sinir Ağları ile Göğüs Kanseri Tanıma ve Sınıflandırma Sistemi. Bilecik Şeyh Edebali Üniversitesi, Bilimsel Araştırma Projeleri Koordinatörlüğü.
• Toraman S, Daş B (2020) Evrişimsel sinir ağları kullanılarak normal ve göğüs kanseri hücreleri içeren genomların sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 11(1): 81–90.
• Yılmaz O, Aydın H, Çetinkaya A (2020) Faster R-CNN Evrişimsel sinir ağı üzerinde geliştirilen modelin derin öğrenme yöntemleri ile doğruluk tahmini ve analizi: Nesne Tespiti Uygulaması. Avrupa Bilim ve Teknoloji Dergisi 20: 783–795.
• Karakurt M, İşeri İ (2022) Patoloji görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi 33: 192–206.
• Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., ... & Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.