Yazar "Abdulghani, Sema Nizam" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Farklı derin öğrenme modelleri kullanarak histopatalojik görüntülerden meme tümörlerinin sınıflandırılmasında yeni yaklaşımlar
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2021) Abdulghani, Sema Nizam; Gültekin, Seyfettin Sinan
    Günümüzde meme kanseri, kadın ölümlerinin en önemli sebeplerinden biridir. Bununla birlikte erken teşhise yönelik histopatolojik analiz, meme kanseri tanısına yönelik kullanılan en yaygın yöntemlerden biridir. Patologlar tarafından yapılan bu yöntemle, örneklerin mikroskop altında görsel olarak incelenmesi ile gerçekştirilmektedir. Bu yöntemin kabulü ne kadar yaygın olsada, zaman alıcı olması ve doğru karar vermede bazı olumsuzlukların yaşanmasıda gözden kaçırılmaması gereken bir husustur. Bilgisayar destekli tanı sistemlerinin gelişmesi ise histopatolojik analize alternatif olmamış, aksine destekleyici bir unsur olmuştur. Böylelikle araştırmacılar, özellikle sınıflandırma sorunları gibi problemlerin çözümünde büyük başarı elde etmişler ve Evrişimsel Sinir Ağlarını (CNN) içeren derin öğrenme tekniklerine odaklanmışlardır. CNN, özellikle biyomedikal görüntü işleme problemlerinde büyük başarılar elde etmiş, derin ve ileri beslemeli bir ağ türüdür. Bu çalışmada ise, CNN tekniklerinin avantajları düşünülerek, meme kanseri erken teşhis problemi üzerinde durulmuş ve açık kaynak (BreakHis) bir veri seti kullanılarak, histopatolojik görüntülerin sınıflandırması için üç farklı model önerilmiştir. Kullanılan veri seti, dört farklı büyütme faktörüne sahip iyi huylu ve kötü huylu görüntüleri içeren verilerdir. Önerilen üç modeldeki amaç ise, kötü huylu tümörlerin tehlikeli olması ve erken tedavi gerektirmesi esasından yola çıkarak, tümörün iyi huylu ve kötü huylu olduğuna karar vermeye yönelik ikili bir sınıflandırma sistemi tasarlamaktır. Modellerden ilki, özellik çıkarımı için 2 boyutlu bir ayrık dalgacık dönüşümünün (2-D DWT) kullanımı üzerinedir. İkinci model, Aktarım Öğrenimi (Transfer Learning) ve önceden eğitilmiş CNN modelini uyarlayan derin özellik çıkarma yöntemlerinin kullanımıdır. Üçüncü model ise, beş CNN yapısından (AlexNet, GoogleNet, VGG-16, ResNet50 ve InceptionV3) oluşan maksimum seçim kuralının uygulamasıdır. Dört farklı büyütme faktörüne sahip veri seti içinde büyütme faktörleri için (5-kat) çapraz doğrulama yöntemi kullanılarak denemeler yapılmıştır. Denemeler sonucunda ilk önerilen model olan CNN tabanlı DWT modeli ile hasta düzeylerinde %90 ile %94 arasında bir doğrulukta sonuçlar alınmıştır. İkinci önerilen SVM sınıflandırma ve yama stratejisine sahip önceden eğitilmiş AlexNet modeli ile hasta düzeylerinde %92 ile %96 arasında bir doğruluk elde edilmiştir. Beş CNN modelli maksimum seçim gerçekleştirilen üçüncü modelde ise, ikili sınıflandırma görevi için önceki modeller, hasta düzeylerinde %96.4 ile %97.7 arasında bir performans sağlanmıştır. Hasta düzeylerinde elde edilen bu sonuçlar, BreakHis veri kümesinin ortalama tanıma doğruluğunun, aynı veri kümesinde test edilen diğer makine öğrenme modellerine karşı yaklaşık %1 ile %5 oranında iyileşme gösterdiği belirlenmiştir. Ayrıca, sonuçlar büyütme faktöründen bağımsız olarak, sınıflandırıcıların hatalarının çoğunun, kötü huylu tümör olarak sınıflandırılan iyi huylu tümörler (fibroadenom ve tubular adenom) nedeniyle ortaya çıktığı tespit edilmiştir.