Professeur agrégé BERRİN EROK

Radiologie

Hôpital de District Medipol Acıbadem
BERRİN EROK

Lieu de naissance

ERZURUM

Langues

ANGLAIS

Expériences

2021 - 2025

Hôpital de la ville Prof Dr Cemil Taşçıoğlu, Okmeydanı

2019 - 2020

Hôpital d'État de Konya Cihanbeyli

2014 - 2018

Hôpital de Formation et de Recherche GOP Taksim

2013 - 2013

Şırnak 112 CCM (Centre de Commandement Médical)

2010 - 2010

Centre de Recherche du King's College de Londres

Éducation

2013

Université Yeditepe, Faculté de Médecine

2013

Hôpital de Formation et de Recherche de Taksim, Radiologie

Publications

LUMINA: Un benchmark de mammographie multi-fournisseurs avec protocole d'harmonisation d'énergie

Résumé Les ensembles de données de mammographie numérique plein champ (FFDM) accessibles au public restent limités en taille, en annotations cliniques et en diversité de fournisseurs, ce qui entrave le développement de modèles robustes. Nous présentons LUMINA, un ensemble de données FFDM multi-fournisseurs organisé, qui encode explicitement les métadonnées d'énergie d'acquisition et de fournisseur afin de capturer les variations d'apparence cliniquement pertinentes souvent négligées dans les benchmarks existants. Cet ensemble de données contient 1824 images provenant de 468 patients (960 bénins, 864 malins), avec des étiquettes confirmées par pathologie, des évaluations BI-RADS et des annotations de densité mammaire. LUMINA couvre six systèmes d'acquisition et inclut des styles d'imagerie à haute et basse énergie, permettant une analyse systématique des décalages de domaine induits par le fournisseur et l'énergie. Pour traiter ces variations, nous proposons une méthode d'alignement dans l'espace des pixels limitée au premier plan (« harmonisation d'énergie ») qui mappe les images vers une référence à basse énergie tout en préservant la morphologie des lésions. Nous évaluons des modèles CNN et transformer sur trois tâches cliniquement pertinentes : le diagnostic (bénin vs malin), la classification BI-RADS et l'estimation de la densité. Les modèles à deux vues surpassent systématiquement les modèles à vue unique. EfficientNet-B0 atteint un AUC de 93,54 % pour le diagnostic, tandis que Swin-T atteint le meilleur macro-AUC de 89,43 % pour la prédiction de la densité. L'harmonisation améliore les performances à travers les architectures et produit des réponses Grad CAM plus localisées. Dans l'ensemble, LUMINA fournit (1) un benchmark diversifié en fournisseurs et (2) un cadre d'harmonisation indépendant du modèle pour une IA de mammographie fiable et déployable.