Evrışımsel sınır ağları ıle meme kanserı hıstopatolojık görüntülerının sınıflandırılması
Classification of breast cancer histopathological images with convolutional neural networks
- Tez No: 517602
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET BABALIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Meme kanseri, özellikle kadınlarda son yıllarda artan ölümlerin önde gelen nedenlerinden biri olan karmaşık bir küresel sağlık sorunudur. Meme kanserinin teşhisinde histopatolojik görüntüleme, ultrasonografi, mamografi, manyetik rezonans görüntüleme (MRI) gibi medikal görüntüleme teknikleri kullanılmaktadır. Biyopsi yapılarak, mikroskop altında elde edilen histopatolojik görüntüler yardımıyla çok yüksek doğrulukta teşhis gerçekleştirilebilir. Histopatolojik görüntülerin değerlendirilmesi zaman alıcı, emek yoğun ve uzmanlık gerektiren bir işlemdir. Bilgisayar destekli sistemler tıbbi görüntülerin değerlendirilmesinde karar destek amacıyla kullanılmaktadır. Bu çalışmada, Hematoksilin ve Eosin (H&E) ile boyanmış meme dokusuna ait histopatolojik görüntülerinin sınıflandırılması için Evrişimsel Sinir Ağı (ESA) mimarisinin kullanıldığı bilgisayar destekli bir tanı sistemi önerilmiştir. Kullanılan veriler ICIAR-2018 görüntü veri setinden elde edilmiştir. ESA'ların eğitiminde veri setinin büyüklüğü ESA'nın performansını etkileyen faktörlerden biridir. Düşük sayıda veri içeren veri setleri kullanılarak yapılan eğitim sistemin yeterli öğrenmemesine neden olabilmekte ve test seti içerisinde yer alan verilerin yanlış değerlendirilmesine yol açabilmektedir. Yapılan deneysel çalışmalarda yapay artırma işlemi yapılmış verilerin ESA'nın başarısını artırdığı gözlenmiştir. ESA'ların çıkış katmanında farklı sınıflandırıcılar kullanmak mümkündür. Çalışma kapsamında çıkış katmanında farklı sınıflandırıcıların ESA performansına etkisi araştırılmıştır. Çıkış katmanında softmax fonksiyonu, k En Yakın Komşu Algoritması (k-NN) ve Destek Vektör Makinesinin (DVM) kullanıldığı farklı ESA modellerinin başarıları incelenmiştir. Yapılan deneylerde 5-kat çapraz doğrulama kullanarak %100'e varan eğitim doğrulukları ve test verilerinde %63,68'e ulaşan sınıflandırma başarıları elde edilmiştir. Ek olarak, hassasiyet, duyarlılık ve özgünlük analizinde en yüksek hassasiyet, duyarlılık ve özgünlük değerleri sırasıyla 0,91, 0,92 ve 0,92 olarak elde edilmiştir.
Özet (Çeviri)
Breast cancer is globally one of the leading causes of death especially in women. Several medical imaging techniques such as histopathological imaging, ultrasound, mammography and magnetic resonance imaging (MRI) can be used in the detection of breast cancer. Histopathological imaging is one of the most accurate methods for breast cancer detection that is performed by observing and analyzing histopathological images. Evaluation of these histopathological images is usually time consuming, labor intensive and requires expertise. Computer aided detection systems can be used for expert decision support in the evaluation of these medical images. In this study, a computer-assisted detection system using Convolutional Neural Network (CNN) architecture is proposed for classifying histopathology images of hematoxylin and eosin stained breast tissue. These histopathological images are obtained from ICIAR-2018 breast cancer histology image dataset. The limited number of images in the dataset can cause overfitting of the model and thus lead to poor performance of the model in the test set. Experimental results show that artificialy increasing the number of images can improve the performance of the CNN. Moreover, the possibility of using different classifiers at the output layer of the CNN model has also been proposed. In this study, performance of the softmax, k-Nearest Neighbor and Support Vector Machine classifiers has been evaluated. Training and testing accuracies of up to 100% and 63.68% respectively has been achieved using 5-fold cross validation technique. Additionally, the model was able to achieve precision, sensitivity and specificity values of up to 0.91, 0.92 and 0.92 respectively during precision, sensitivity and specificity analysis.
Benzer Tezler
- Histopatolojik meme kanseri görüntülerinin evrişimsel sinir ağları kullanılarak sınıflandırılması
Classification of histopathological breast cancer images using convolutional neural networks
ZEHRA KADİROĞLU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN DENİZ
- Tumor detection in breast cancer histopathological images using convolutional neural networks
Meme kanseri histopatoloji görüntülerinde evrişimsel sinir ağları kullanarak tümör tespiti
ZEKİ ŞAHBAZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BEKİR HAKAN AKSEBZECİ
- Evrişimsel sinir ağları ile meme kanseri moleküler alt tip sınıflandırması
Classification of breast cancer molecular subtypes using convolutional neural networks
KADİR ÇIRAY
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
- Analyzing breast cancer using thermography and convolutional neural networks
Termografi ve evrişimsel sinir ağları ile meme kanseri analizi
HUSHANG JAWZAL
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. SAMİ EKİCİ
- Derin sinir ağları ile çekirdek hücrelerinin tespiti ve segmentasyonu
Nuclei cells detection and segmentation with deep neural network
TOMIYA SAID AHMED ZARBEGA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASEMİN GÜLTEPE