
Lieu de naissance
ERZURUM
Langues
ANGLAIS
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
2013
Université Yeditepe, Faculté de Médecine
2013
Hôpital de Formation et de Recherche de Taksim, Radiologie
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.