Geri Dön

Patoloji görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması

Classification of pathology images with deep learning methods

  1. Tez No: 571143
  2. Yazar: MERAL KARAKURT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Medikal görüntüler, hastalık tespitinde veya meydana gelebilecek olan hastalıkların erken tanısında hayati öneme sahiptir. Medikal görüntülerin analiz edilmesi için birçok makine öğrenmesi ve yapay zeka yöntemleri kullanılmaktadır. Bu yöntemlerle görüntülerden anlamlı bilgiler çıkarılarak anormalliklerin tespit edilmesi veya tahmin edilmesi işlemleri yapılmaktadır. Son yıllarda yapay zeka yöntemlerinden birisi olan derin öğrenme, medikal görüntülerden olan patoloji görüntülerinin analiz edilmesinde önemli başarılar göstermektedir. Derin öğrenme mimarileri, makine öğrenimi çalışmalarındaki özellik çıkarım işlemini mimari içerisinde yer alan evrişim katmanları ile yapmaktadır. Bu tez çalışmasında, görüntüler üzerinde başarılı olduğu bilinen derin öğrenme mimarilerinden evrişimsel sinir ağı (convolutional neural networks, CNN) kullanılarak, meme kanserine ilişkin patolojik görüntülerin sınıflandırması işlemi gerçekleştirilmiştir. Farklı sayıda filtre ve katman kullanılarak tasarlanan modellerin eğitimi ve test işlemleri için 60000 adet meme patoloji görüntüsünden oluşan bir veri seti kullanılmıştır. Model eğitimleri için donanım olarak Google Colab üzerinde NVIDIA Tesla K80 GPU işlemcili bir makine kullanılmış olup yazılım aracı olarak açık kaynak kodlu Keras kütüphanesi ve Python programlama dili kullanılmıştır. 3 adet evrişim katmanı, 3 adet ReLU katmanı, 3 adet havuzlama katmanı ve tam bağlantılı katmanda 200 sinir hücresi kullanılarak eğitilen model ile kanserli ve kanserli olmayan patoloji görüntülerinin sınıflandırılmasında doğruluk değeri 0.8775, F1 skoru 0.8238, hassasiyet değeri 0.8381, hatırlama değeri 0.8762, MSE değeri 0.1195, MAE değeri 0.2497 elde edilmiştir. Elde edilen yüksek doğruluk, F1 skoru, hassasiyet ve hatırlama değerleri ile düşük hata değerleri, bu tez kapsamında önerilen CNN modelinin patoloji görüntülerinin sınıflandırılmasında kullanılabileceğini; özellikle tıp fakültelerinin ve hastanelerin patoloji bölümlerinde kullanılabilir sistemler tasarlanabileceğini göstermektedir.

Özet (Çeviri)

Medical images are vital in detecting diseases or in the early diagnosis of diseases that may occur. Many machine learning and artificial intelligence methods are used for the analysis of medical images. With these methods, significant information is extracted from the images to detect or predict abnormalities. In recent years, deep learning, which is one of the methods of artificial intelligence, has shown significant success in analyzing the pathology images from medical images. Deep learning architectures perform feature extraction in machine learning studies with the convolution layers within the architecture. In this thesis, the classification of pathological images of breast cancer was performed by using convolutional neural networks (CNN), one of the deep learning architectures known to be successful on images. A data set of 60000 breast pathology images was used for training and testing of the models designed using different number of filters and layers. NVIDIA Tesla K80 GPU processor on Google Colab was used as the hardware for the model trainings and the open source Keras library and Python programming language were used as software tools. The model, which was trained by using 3 convolution layers, 3 ReLU layers, 3 pooling layers and 200 neurons in a fully connected layer, obtained 0.8775 accuracy value, 0.8238 F1 score, 0.8381 precision value, 0.8762 recall value, 0.1195 MSE value and 0.2497 MAE value in the classification of cancerous and non-cancerous pathology images. Obtained high accuracy, F1 score, precision and recall values with low error values, can be used in the classification of pathology images of the proposed CNN model within the scope of this thesis; shows usable systems can be designed especially in the pathology departments of medical faculties and hospitals.

Benzer Tezler

  1. Akut lenfoblastik lösemi hücrelerinin derin öğrenme yöntemleri ile sınıflandırılması

    Classification of acute lymphoblastic leukemia cells using deep learning methods

    AYŞE BERİKA VAROL MALKOÇOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL İŞERİ

  2. Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi

    Development of innovative deep learning approaches in the analysis of digital pathology images

    YUSUF ÇELİK

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT KARABATAK

  3. Lenf kanseri görüntülerinin makine öğrenmesi yöntemleri ile sınıflandırılması

    Classification of lymph cancer images with machine learning methods

    EMİNE ÖZGÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET SAYGILI

  4. Derin öğrenme yöntemleri ile tomografi görüntülerinden kapalı açılı glokom göz hastalığının sınıflandırılması

    Classification of closed-angle glaucoma eye disease from tomography images with deep learning methods

    FATİH TEKE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    PROF. DR. OĞUZ KAYNAR

  5. Deep learning for digital pathology

    Dijital patoloji için derin öğrenme

    CAN TAYLAN SARI

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR