Akciğer Kanserinin ve Kanser Evresinin Tespit Edilmesinde Derin Öğrenme Uygulamaları
Yükleniyor...
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Akciğer kanseri, önemli bir küresel sağlık sorunudur ve dünya çapında kansere bağlı ölümlerin
önde gelen nedenlerinden biridir. Akciğer kanserinin erken teşhisi, hastaların yaşam beklentisini
arttırmada ve yaşam kalitesini iyileştirmede çok önemli bir rol oynamaktadır. Akciğer kanseri teşhisinde
ve tedavi sürecinde Bilgisayarlı tomografi (BT), Manyetik Rezonans Görüntüleme, Pozitron Emisyon
Tomografisi ve Ultrason gibi tıbbi görüntüleme teknikleri kullanılmaktadır. Bu çalışma akciğer kanserini
BT görüntüleri kullanarak, evrişimli sinir ağı temelli AlexNet, GoogleNet, VGG-16, VGG-19 ve ResNet
derin öğrenme mimarileri ile tespit etmeyi ve kanser evresini belirlemeyi amaçlamaktadır. Bunun yanında
VGG-19 mimarisinde değişiklik yapılmış ve sonuçlar önceden eğitilmiş diğer derin öğrenme mimarileri
ile karşılaştırılmıştır.
Derin Öğrenme mimarileri kullanılarak gerçekleştirilen bu sınıflama çalışmasında ilk olarak iki
sınıftan oluşan (Kanserli ve Sağlıklı) görüntülerde AlexNet, GoogleNet, VGG-16, VGG-19, ResNet ve
önerilen VGG-19 mimarileri ile sırasıyla %92,42, %94,89, %96,09, %95,41, %96,15 ve %96,55 sınıflama
doğrulukları elde edilmiştir. İkinci olarak beş sınıftan oluşan ve kanserin evresine göre etiketlenen
görüntülerde (EvreI, EvreII, EvreIII, EvreIV ve Sağlıklı) AlexNet, GoogleNet, VGG-16, VGG-19,
ResNet ve önerilen VGG-19 mimarileri ile sırasıyla %93,83, %94,61, %96,09, %95,22, %96,22 ve
%96,38 sınıflama doğrulukları elde edilmiştir. Sonuç olarak BT görüntüleri kullanılarak, derin öğrenme
yöntemleri kanser tespitinin yanında kanserin evrelemesinde de başarı gösterir iken önerilen VGG-19
mimarisi en yüksek sınıflama doğruluğunu sağlamıştır.
Lung cancer is a major global health problem and one of the leading causes of cancer-related deaths worldwide. Early diagnosis of lung cancer plays a very important role in increasing patients' life expectancy and improving their quality of life. Medical imaging techniques such as Computed tomography (CT), Magnetic Resonance Imaging, Positron Emission Tomography and Ultrasound are used in the diagnosis and treatment process of lung cancer. This study aims to detect lung cancer and determine the cancer stage using CT images with convolutional neural network-based AlexNet, GoogleNet, VGG-16, VGG-19 and ResNet deep learning architectures. In addition, changes were made to the VGG-19 architecture and the results were compared with other pre-trained deep learning architectures. In this classification study carried out using Deep Learning architectures, firstly, 92.42%, 94.89%, 96.09%, 95.41%, 96.15%, and 96.55% classification accuracies were obtained on images consisting of two classes (Cancerous and Healthy) with AlexNet, GoogleNet, VGG-16, VGG-19, ResNet and the proposed VGG-19 architectures, respectively. Secondly, classification accuracies were obtained with AlexNet, GoogleNet, VGG-16, VGG-19, ResNet, and the proposed VGG-19 architectures, 93.83%, 94.61%, 96.09%, 95.22%, 96.22%, and, 96.38% respectively, on images consisting of five classes and labeled according to the stage of cancer (StageI, StageII, StageIII, StageIV, and Healthy). As a result, using CT images, deep learning methods showed success in cancer staging as well as cancer detection, while the proposed VGG-19 architecture provide the highest classification accuracy.
Lung cancer is a major global health problem and one of the leading causes of cancer-related deaths worldwide. Early diagnosis of lung cancer plays a very important role in increasing patients' life expectancy and improving their quality of life. Medical imaging techniques such as Computed tomography (CT), Magnetic Resonance Imaging, Positron Emission Tomography and Ultrasound are used in the diagnosis and treatment process of lung cancer. This study aims to detect lung cancer and determine the cancer stage using CT images with convolutional neural network-based AlexNet, GoogleNet, VGG-16, VGG-19 and ResNet deep learning architectures. In addition, changes were made to the VGG-19 architecture and the results were compared with other pre-trained deep learning architectures. In this classification study carried out using Deep Learning architectures, firstly, 92.42%, 94.89%, 96.09%, 95.41%, 96.15%, and 96.55% classification accuracies were obtained on images consisting of two classes (Cancerous and Healthy) with AlexNet, GoogleNet, VGG-16, VGG-19, ResNet and the proposed VGG-19 architectures, respectively. Secondly, classification accuracies were obtained with AlexNet, GoogleNet, VGG-16, VGG-19, ResNet, and the proposed VGG-19 architectures, 93.83%, 94.61%, 96.09%, 95.22%, 96.22%, and, 96.38% respectively, on images consisting of five classes and labeled according to the stage of cancer (StageI, StageII, StageIII, StageIV, and Healthy). As a result, using CT images, deep learning methods showed success in cancer staging as well as cancer detection, while the proposed VGG-19 architecture provide the highest classification accuracy.
Açıklama
Anahtar Kelimeler
Akciğer Kanseri, Bilgisayarlı Tomografi, Derin Öğrenme, Kanser tespiti, Kanser Evreleme, Lung Cancer, Computed Tomography, Deep Learning, Cancer detection, Cancer staging
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Al Bayatı M. A. F., (2024). Akciğer Kanserinin ve Kanser Evresinin Tespit Edilmesinde Derin Öğrenme Uygulamaları. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
