Ovarian tumor classification with CNNs: Architecture comparison and the impact of data augmentation
CNNs ile yumurtalık tümörü sınıflandırması: Mimari karşılaştırması ve veri artırmanın etkisi
- Tez No: 1015056
- Danışmanlar: DOÇ. DR. ÖZLEM FEYZA ERKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Augmentasyon, CNN, Histopatoloji, Kanser hastaları, Augmentation, CNN, Histopathology, Cancer patients
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Beykoz Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Evrişimsel Sinir Ağları (CNN) ile Yumurtalık Tümörü Sınıflandırması: Mimari Karşılaştırması ve Veri Artırmanın Etkisi Yumurtalık kanseri alt tiplerinin histopatoloji görüntülerinden sınıflandırılması zor bir görevdir; çünkü farklı sınıflar çoğu zaman birbirine çok benzer morfolojik örüntüler gösterebilir. Ayrıca, büyük ve etiketlenmiş tıbbi veri setlerinin sınırlı olması, güvenilir modellerin eğitilmesini zorlaştırmaktadır. Bu faktörler tanı sürecini karmaşık hale getirmekte ve birbirine yakın alt tipleri ayırt edebilmek için güçlü özellik çıkarım yöntemlerine ihtiyaç duyulmasına neden olmaktadır. Bu araştırmada, yumurtalık kanseri alt tiplerinin otomatik olarak tanınması amacıyla beş evrişimli sinir ağı mimarisinin kapsamlı bir karşılaştırmalı analizi yapılmıştır. Bu mimariler EfficientNet-B3, InceptionV3, ResNet50V2, DenseNet121 ve Xception'dır. Tez çalışmasında özellikle seröz, müsinöz, endometrioid ve clear cell karsinom alt tipleri ile kanserli olmayan doku örnekleri ele alınmıştır. Model dayanıklılığını artırmak ve aşırı öğrenmeyi azaltmak amacıyla, kamuya açık Ovarian Cancer and Subtypes Histopathology veri seti üzerinde gelişmiş veri artırma stratejileri uygulanmıştır. Bu yaklaşım, veri seti çeşitliliğindeki artışın eğitim süreci boyunca her bir mimarinin performansını nasıl etkilediğinin değerlendirilmesine olanak sağlamaktadır. Tüm testlerde tutarlılığı sağlamak için her mimari aynı deneysel ayarlar altında değerlendirilmiştir. Performans; doğruluk, duyarlılık, özgüllük ve ağırlıklı F1 skoru kullanılarak ölçülmüştür. Özellikle, farklı veri ölçeklerinin ve düzenlileştirme tekniklerinin her bir mimaride genelleme farkını nasıl etkilediğini belirlemek için eğitim dinamikleri analiz edilmiştir. Sonuçlar, özellikle görsel özellikleri birbirine benzeyen alt tiplerde hangi model ve veri artırma yöntemi kombinasyonlarının daha iyi performans gösterdiğini ortaya koymaktadır. Bu bulgular, standartlaştırılmış eğitimin sınıflandırma başarısını nasıl iyileştirdiğini göstererek dijital patolojide derin öğrenmenin uygulanmasına yönelik pratik yapılandırmalar sunmaktadır. Bu çalışma, patologların yumurtalık kanseri alt tiplerini daha doğru tanımlamasını destekleyebilecek tanı araçlarının geliştirilmesi için bir temel sağlamaktadır.
Özet (Çeviri)
Ovarian Tumor Classification with CNNs: Architecture Comparison and the Impact of Data Augmentation Classifying ovarian tumor subtypes based on histopathological images is quite challenging. This is primarily because different subtypes often exhibit similar morphological characteristics. Furthermore, the limited availability of sufficiently large and accurately labeled medical datasets makes developing reliable classification models complex. These factors complicate the diagnostic process and require robust feature extraction methods to distinguish between closely related subtypes. In this research, a comprehensive comparative analysis of five convolutional neural network architectures—EfficientNet-B3, InceptionV3, ResNet50V2, DenseNet121, and Xception—is performed to automatically recognize malignant ovarian subtypes. The study specifically focuses on serous, mucinous, endometrioid, and clear cell carcinoma, as well as non-cancerous tissue. Advanced data augmentation strategies are applied to the publicly available Ovarian Cancer and Subtypes Histopathology dataset to improve model robustness and reduce overfitting. This approach allows us to evaluate how increasing data diversity affects the performance of different architectures during the training phase. In order to ensure consistency across all experimental evaluations, each architecture was evaluated under same experimental conditions. Performance was measured using accuracy, sensitivity, specificity, and F1-weighted scores. In particular, training dynamics were analyzed to determine how varying data scales and regularization techniques affect the generalization gap for each architecture. The results show which combinations of models and augmentation techniques perform best performance, especially for subtypes with similar visual features. These findings suggest practical configurations for applying deep learning in digital pathology by demonstrating how standardized training improves classification. This work provides a foundation to develop diagnostic tools that support pathologists in identifying ovarian cancer subtypes more accurately.
Benzer Tezler
- Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile adneksiyel kitlelerin malignite potansiyellerinin öngörülmesi
Predicting the malignancy potential of adnexal masses using machine learning and ai-based magnetic resonance imaging analysis
ZEYNEP ACAR
Tıpta Uzmanlık
Türkçe
2025
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ
DR. HALE ÇETİN ARSLAN
- Adneksiyal kitlelerde uluslararası over tümör analizi kriterlerinin post-operatif patoloji sonuçları ile karşılaştırılması
Comparison of international ovarian tumor analysis (IOTA) criteria with postoperative pathology results in adnexal masses
HAYAT TERKAN
Tıpta Uzmanlık
Türkçe
2025
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. SÜLEYMAN SALMAN
- 3. basamak bir merkezde nice klasifikasyonuna göre standart (radikal) ve ultraradikal cerrahi uygulanan FIGO evre 3 ve 4 epitelyal over/tuba/periton kanseri tanısı alan hastaların genel sağ kalımlarının ve morbiditelerinin karşılaştırılması
Comparison of the general survival and morbidity of the patients diagnosed with FIGO stage 3 and 4 epithelial ovarian/tuba/peritoneum cancers, who underwent standard (radical) and ultraradical surgery according to nice classification in a third-stage center'
MUSTAFA ALPEREN AKSAN
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. NURETTİN BORAN
- Kliğinimizde adneksiyal kitle nedeniyle opere edilen patoloji sonucu overin granüloza hücreli tümör ve benign sebepleri gelen hastaların zeta sarkoglikan ekspresyonunun immünohistokimyasal analizi: Klinik ve patolojik karşılaştırma
Immunohistochemical analysis of zeta-sarcoglycan expression in patients operated in our clinic for adnexal masses and diagnosed with ovarian granulosa cell tumors or benign conditions: A clinical and pathological comparison
CANSU KOŞUCUOĞLU BAYTEKİN
Tıpta Uzmanlık
Türkçe
2025
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ
DR. TOLGA ÇİFTPINAR
- Veri madenciliği sınıflandırma algoritmaları ile yumurtalık kanseri hastalarının incelenmesi: Recep Tayyip Erdoğan Üniversitesi eğitim ve araştırma hastanesi örneği
Investigation of patients of overian cancer with data mining classification algorithms: Recep Tayyip Rrdoğan University education and research hospital sample
İLYAS YILMAZ
Yüksek Lisans
Türkçe
2020
İşletmeRecep Tayyip Erdoğan Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU KARTAL