|
Meme kanseri, genellikle kadınlarda rastlanan tehlikeli bir kanser türüdür ve bu da tıp biliminde önemli bir araştırma konusudur. Meme kanseri, meme hücre yapılarından bazılarının değişime uğrayarak kontrolsüz çoğalmasıyla tümör oluşumu sonucunda ortaya çıkan bir hastalıktır. Erken teşhis edilmeyen hastalarda kanser diğer organlara yayılarak tedaviyi zorlaştırmaktadır. Meme kanseri teşhisinde, karar verme sürecini kısaltmak, fark edilmeyen kanser hücrelerini en aza indirgemek ve daha hızlı bir teşhis almak için patolojik tanının doğruluğu büyük önem taşır. Ancak histopatolojik meme kanseri görüntü analizinde görüntülerin benzerliği, farklı bölgelerde sağlıklı veya tümör dokularının değişik seviyelerde bulunması alan uzmanları için yüksek yeterlilik gerektiren hassas ve zor bir süreçtir. Araştırmacılar son yıllarda bu süreci tıbbi teşhis ve görüntü analizinde önemli gelişmelere katkıları olan makine öğrenmesi ve derin öğrenme yöntemleriyle çözüm aramaktadır. Bu tez çalışmasında meme kanseri patolojik görüntüleri üzerinden bilgisayar destekli kanser teşhisi üzerine iki temel çalışma gerçekleştirilmiştir. İlk çalışmada, meme kanseri histopatolojik görüntülerinin sınıflandırması için önceden eğitilmiş derin evrişimsel sinir ağı (DESA) modellerinin etkinleştirme özelliklerinden yararlanılarak, boyut küçültmeye dayalı ReliefF özellik seçici algoritması ile hibrit bir yöntem DESA+ReliefF önerilmektedir. Model tam bağlı katmanlarda ince ayarlı transfer öğrenme tekniğine dayanmaktadır. Ayrıca modeller, k-nearest neighbors (kNN), navie bayes (NB) ve destek vektör makinesi (DVM) makine öğrenimi yaklaşımları ile karşılaştırılmıştır. Önerilen modelle karşılaştırma için iyi bilinen, VggNet-19 modeli de kullanılmıştır. Özellik çıkarıcı ve sınıflandırıcı kombinasyonlarının her birinin performansı, hassaslık, kesinlik, F1-puanı ve ROC eğrilerini kullanarak analiz edilmiştir. Önerilen hibrit model, BreakHis veri setini kullanarak, 40X, 100X, 200X, 400X büyütme oranlarına göre ayrı ayrı eğitilmiştir. Sonuçlar, modelin, %97,8 tanı doğruluk değerine kadar yüksek performansa sahip etkili bir sınıflandırma modeli olduğunu göstermektedir. Tez kapsamında yapılan ikinci çalışmada, meme kanseri histopatholojik görüntülerinin iyi huylu ve kötü huylu tümör olarak ikili sınıflandırılması için güncel DESA ağlarının etkinleştirme özelliklerinden yararlanılarak optimize edilmiş, histopatolojik evrişimsel sinir ağı (HCNN) modeli önerilmiştir. Model temelde, ince ayarlı aktarımlı öğrenme tekniği kullanmaktadır. Modelin eğitiminde, stokastik gradyan iniş (SGD), Nesterov hızlandırılmış gradyan (Nag), uyarlamalı gradyan (AdaGrad), RMSprop, AdaDelta ve Adam çözücüleri kullanılarak modelin optimizasyonu sağlanmıştır. Bu çözücüler, önerilen ağın, başlangıç değerlerini hesaplar ve ağın parametlerini; öğrenme hızına, geçmişe ve yöntemine göre günceller. Modelin, geri yayılım öğreniminin, optimizasyonu yapar ve parametrelerin optimum güncellemesini sağlar. Önerilen HCNN modeli, BreakHis veri setini kullanarak, 40X, 100X, 200X, 400X büyütme oranlarına göre ayrı ayrı eğitilmiştir. Sonuçlar, modelin, %99,05 doğruluk değerine kadar yüksek performansa sahip etkili bir sınıflandırma modeli olduğunu göstermektedir.
|
|
Breast cancer is a dangerous type of cancer that is usually found in women, and this is an important research topic in medical science. Breast cancer is a disease that occurs as a result of tumor formation by the uncontrolled proliferation of some of the breast cell structures. Early diagnosis makes it difficult to treat cancer by spreading to other organs in undetected patients. In the diagnosis of breast cancer, the accuracy of the pathological diagnosis is of great importance in order to shorten the decision-making process, minimize the undetected cancer cells and get a faster diagnosis. However, similarity of images in histopathological breast cancer image analysis, finding different levels of healthy or tumor tissues in different regions is a sensitive and difficult process that requires high proficiency for field experts. In recent years, researchers have been looking for a solution to this process with machine learning and deep learning methods, which have contributed to important developments in medical diagnosis and image analysis. In this thesis, two basic studies on computer-assisted cancer diagnosis were carried out on breast cancer pathological images. In the first study, a hybrid method DESA+ReliefF is proposed with the size reduction-based ReliefF feature selection algorithm, utilizing the enabling features of pre-trained deep convolutional neural network (DESA) models for the classification of breast cancer histopathological images. The model is based on a fine-tuned transfer learning technique in fully connected layers. In addition, models were compared with k-nearest neighbors (kNN), navie bayes (NB), and support vector machine (DVM) machine learning approaches. The well-known VggNet-19 model was also used for comparison with the proposed model. The performance of each combination of feature extractor and classifier is analyzed using the precision, precision, F1-score and ROC curves. The proposed hybrid model was individually trained at 40X, 100X, 200X, 400X magnifications using the BreakHis dataset. The results show that the model is an effective classification model with high performance up to 97.8% diagnostic accuracy. In the second study carried out within the scope of the thesis, an optimized histopathological convolutional neural network (HCNN) model was proposed by utilizing the activation features of current DESA networks for the dual classification of breast cancer histopathological images as benign and malignant tumors. The model basically uses a fine-tuned transfer learning technique. In the training of the model, the optimization of the model was achieved by using stochastic gradient descent (SGD), Nesterov accelerated gradient (Nag), adaptive gradient (AdaGrad), RMSprop, AdaDelta and Adam solvers. These solvers calculate the initial values of the proposed network and determine the parameters of the network; updates according to learning speed, history and method. It provides faster back propagation learning, optimization and optimum updating of parameters. The proposed HCNN model is individually trained at 40X, 100X, 200X, 400X magnifications using the BreakHis dataset. The results show that the model is an effective classification model with high performance up to 99.05% accuracy. |
