Meme kanseri ölüm oranı ve yaygınlığı açısından en tehlikeli hastalıklardan birisidir. Heterojen bir hastalık olduğundan doğru sınıflandırılması son derece önem taşımaktadır. Histolojik, morfolojik sınıflandırmanın yanında, son yıllarda moleküler alt-tiplere sınıflandırma çalışmaları da yapılmaya başlamıştır. Moleküler alt tipler hastalığın seyrini etkilediğinden kişiye özgü tedaviler uygulanmaya çalışılmaktadır. Moleküler alt-tiplerinden özellikle üçlü negatif en agresif ve tehlikeli olanıdır. Diğer kanser türlerinde olduğu gibi meme kanserinde de erken teşhis son derece önemlidir. Bu tez çalışmasında DenseNET, XCeption ve GoogleNet ön eğitimli evrişimsel sinir ağları modelleri (CNN) veri artırma ile birlikte kullanılarak yalnızca MR görüntülerinin piksel bilgileri üzerinden moleküler alt-tip sınıflandırma yapılmıştır. Önerilen yöntem kullanıcıdan bağımsız, hızlı ve otomatik olup MR görüntülerini yüksek başarı oranı ile sınıflandırmaktadır. Hastalığın erken teşhisine imkan sağlayıp, gereksiz biyopsi uygulamalarını azaltarak onkologlara karar destek süreçlerinde fikir vermeyi amaçlamaktadır. Elde edilen sonuçlar ümit vadetmektedir.

Breast cancer is one of the most dangerous diseases due to its prevalence and mortality rate. Correct classification of the disease is crucial because its heterogeneous nature. In addition to histological and morphological classification; molecular sub-type classification studies have been gaining momentum in recent years. Since the molecular subtypes affect the course of the disease, personalized treatments are being preferred. Among the molecular subtypes Triple Negative is the most aggressive and dangerous. Early diagnosis is incredibly crucial as in other cancer types. In this study DenseNET, XCeption and GoogleNet pre-trained Convolutional neural network (CNN) models have been used to classify molecular subtypes using only MRI images pixel data. Proposed method is independent of user, fast, automated and has produced significant success rate. Study aims to assist oncologists with decision support system, enable early diagnosis and reduce unnecessary biopsies. Obtained results are encouraging