Akciğer ve Kolon Kanserinin Histopatolojik Görüntüler Üzerinde Derin Öğrenme Yöntemleri Kullanılarak Tespiti
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Akciğer ve Kolon kanserleri dünya çapında en çok ölüme neden olan kanser türlerinin başında
gelmektedir. Günümüzde tıp dünyası birçok hastalığın tedavisini keşfetmiş olmasına rağmen henüz
kanser gibi hastalıklarda yetersiz kalmakta ve çoğu hastada ölümle sonuçlanmaya devam etmektedir.
Kanser hastalığının önüne geçebilmede en önemli unsur erken teşhistir. Histopatolojik tanı, akciğer ve
kolon kanseri tespit sürecinde sıklıkla kullanılmasına rağmen tıp uzmanları için oldukça zaman alıcı ve
hataya açık bir süreçtir. Ayrıca histopatolojik tanının görsel olarak incelenmesinde karar, klinisyenlerin
subjektif algısına bağlıdır. Erken tanı ile ilgili günümüzde birçok yapay zeka tabanlı çalışmalar
yapılmaktadır. Bu çalışmalar göz önüne alındığında, gelecekte patolojik çalışmalarda insan çabasının
yerini yapay zekaya dayalı sistemlerin alacağı öngörülmektedir. Bu tez çalışmasında, akciğer ve kolon
kanserinin histopatolojik görüntülerde tespiti için derin sinir ağları kullanılarak bir model önerilmektedir.
Model geliştirme sürecinde akciğer ve kolon dokularının mikroskobik görüntülerini içeren güncel bir
veri seti olan LC25000 ve NCT-CRC-HE-100K olmak üzere iki adet halka açık veri seti kullanıldı.
Ayrıca LC25000 veri seti içerisindeki akciğer dokuları ile NCT-CRC-HE-100K veri setinin tamamı
birleştirilerek üçüncü bir veri seti oluşturuldu. Histopatolojik görüntüler, önceden eğitilmiş
EfficientNetB5, VGG16, ResNet101 ve önerilen evrişimli sinir ağı tabanlı model için girdi görevi
görmektedir. Performans değerlendirmesinde doğruluk, kesinlik, duyarlılık, özgüllük ve F1-skor ölçüm
araçları kullanılarak önerilen model ve hazır mimariler incelendi. Bu çalışmanın temel amacı benzersiz,
birleştirilmiş bir veri seti kullanılarak sağlam ve klinik açıdan genelleştirilebilir bir model geliştirmeyi
hedeflemektedir. Yapılan çalışmalar, tüm ölçüm araçlarında %99 üzeri kayda değer bir başarı oranı elde
ediyor ve eğri altındaki alan değerlerinin yüksekliği ile güvenilirliğini ortaya koyuyor. Sonuç olarak
önerilen yaklaşım, tıp bilimi ve yapay zekanın yakınlaştığı yolda, yüksek doğruluk ile daha iyi hastalık
tespit sonuçları için umut vererek kanser teşhisinde dönüştürücü bir yaklaşımın önünü açmaktadır.
Lung and colon cancers are among the leading types of cancer worldwide that cause the most deaths. Despite the medical world having discovered the treatment for many diseases today, it remains insufficient for diseases like cancer, resulting in death for most patients. The most crucial element in preventing cancer is early diagnosis. Although histopathological diagnosis is frequently used in the detection process of lung and colon cancer, it is a very time-consuming and error-prone process for medical professionals. Moreover, the decision in the visual examination of histopathological diagnosis depends on the subjective perception of clinicians. Today, many artificial intelligence-based studies are being carried out regarding early diagnosis. Considering these studies, it is predicted that human effort will be replaced by artificial intelligence-based systems in pathological studies in the future. In this thesis, a model is proposed using deep neural networks for the detection of lung and colon cancer in histopathological images. During the model development process, two publicly available datasets, LC25000 and NCT-CRC-HE-100K, which are a current dataset containing microscopic images of lung and colon tissues, were used. Additionally, a third dataset was created by combining the lung tissues in the LC25000 dataset and the entire NCT-CRC-HE-100K dataset. Histopathological images were provided as input to the pre-trained EfficientNetB5, VGG16, ResNet101, and the proposed convolutional neural network (ESA) based model. Accuracy, sensitivity, recall, specificity, and F-1 score measurement tools are used to evaluate performance in the proposed model and ready-made architectures. This study aims to develop a robust and clinically generalizable model using a unique, combined dataset. In the studies conducted, over 99% success was achieved in all measurement tools and its reliability was proven with high AUC values. As a result, the proposed approach, as medicine and artificial intelligence converge, opens the way for a transformative approach in cancer diagnosis, offering hope for enhanced accuracy and better patient outcomes.
Lung and colon cancers are among the leading types of cancer worldwide that cause the most deaths. Despite the medical world having discovered the treatment for many diseases today, it remains insufficient for diseases like cancer, resulting in death for most patients. The most crucial element in preventing cancer is early diagnosis. Although histopathological diagnosis is frequently used in the detection process of lung and colon cancer, it is a very time-consuming and error-prone process for medical professionals. Moreover, the decision in the visual examination of histopathological diagnosis depends on the subjective perception of clinicians. Today, many artificial intelligence-based studies are being carried out regarding early diagnosis. Considering these studies, it is predicted that human effort will be replaced by artificial intelligence-based systems in pathological studies in the future. In this thesis, a model is proposed using deep neural networks for the detection of lung and colon cancer in histopathological images. During the model development process, two publicly available datasets, LC25000 and NCT-CRC-HE-100K, which are a current dataset containing microscopic images of lung and colon tissues, were used. Additionally, a third dataset was created by combining the lung tissues in the LC25000 dataset and the entire NCT-CRC-HE-100K dataset. Histopathological images were provided as input to the pre-trained EfficientNetB5, VGG16, ResNet101, and the proposed convolutional neural network (ESA) based model. Accuracy, sensitivity, recall, specificity, and F-1 score measurement tools are used to evaluate performance in the proposed model and ready-made architectures. This study aims to develop a robust and clinically generalizable model using a unique, combined dataset. In the studies conducted, over 99% success was achieved in all measurement tools and its reliability was proven with high AUC values. As a result, the proposed approach, as medicine and artificial intelligence converge, opens the way for a transformative approach in cancer diagnosis, offering hope for enhanced accuracy and better patient outcomes.
Açıklama
Anahtar Kelimeler
Akciğer Kanseri, Derin Öğrenme, Histopatolojik Görüntü, Kolon Kanseri., Colon Cancer, Deep Learning, Histopathological Image, Lung Cancer.
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kara T. B., (2024). Akciğer ve Kolon Kanserinin Histopatolojik Görüntüler Üzerinde Derin Öğrenme Yöntemleri Kullanılarak Tespiti. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
