Konvolüsyonel sinir ağları modelleriyle meme kanseri histopatolojik görüntülerinin sınıflandırılması
Breast cancer histopathological image classification with convolutional neural networks models
- Tez No: 643535
- Danışmanlar: DOÇ. DR. LEMAN TOMAK
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Derin öğrenme, Konvolüsyonel sinir ağları, Histopatolojik görüntü sınıflandırması, Deep learning, Convolutional neural networks, Histopathological image classification
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Amaç: Çeşitli bilgisayarlı görme görevlerinde dikkat çeken başarıya sahip konvolüsyonel sinir ağları (KSA), son zamanlarda meme kanseri histopatolojik görüntülerin sınıflandırılması için oldukça etkili bir yöntem haline gelmiştir. Çalışmanın amacı, meme tümör görüntüleri üzerinde önceden eğitilmiş KSA model performanslarının incelenmesi ve birbirleriyle karşılaştırılmasıdır. Materyal ve Metot: Çalışma BreakHis veri tabanı üzerinde gerçekleştirilmiştir. Meme kanseri klinik belirtisi olan 82 hastadan toplanan farklı büyütme faktörlerinde (40X, 100X, 200X ve 400X) 7909 mikroskobik meme tümörü görüntüsünü içermektedir. Özellik çıkarımı için VGG16, VGG19, Xception, InceptionV3, ResNet50 ve Inception-ResNet-V2 modelleri kullanılarak destek vektör makineleri (DVM) ile sınıflandırma yapıldı ve performansları değerlendirildi. Veri analizleri Python programlama dili ile Keras derin öğrenme kütüphanesi kullanılarak yapıldı. Bulgular: Analizler sonucunda en iyi performansı 400X büyütmede %98,2 doğruluk ve 0,982 F1 skoruyla InceptionV3 modeli gösterdi. Büyütme 400X'de diğer modeller ile bulunan performans ölçüleri sırasıyla, Xception ve ResNet50 için doğruluk %98 ve F1 skoru 0,98, Inception-ResNet-V2 modeli için doğruluk %97, F1 skoru 0,97, VGG16 modeli için doğruluk %96,2, F1 skoru 0,962 ve VGG19 modeli için doğruluk %86,1, F1 skoru 0,861'dir. Sonuç: Bu çalışmada, KSA modelleri kullanılarak doğruluk ve F1 skorları elde edildi. En yüksek doğruluk ve F1 skoruna InceptionV3 modeli ile erişildi. Elde edilen model performans ortalamaları göz önüne alındığında ResNet50 modelinin BreakHis veri için iyi performans gösterdiği saptandı. Sonuç olarak çalışmada kullanılan yöntemlerin genelleştirme yeteneklerinin iyi olduğu ve klinik ihtiyaçlara cevap verebildiği görüldü.
Özet (Çeviri)
Aim: Convolutional neural networks (CNN) with remarkable success in various computer vision tasks have recently become a highly effective method for classifying breast cancer histopathological images. The aim of this study is to examine and compare pre-trained CNN model performances on breast tumor images. Material ve Method: The study was carried out on BreakHis database. It contains 7909 microscopic breast tumor images at different magnification factors (40X, 100X, 200X and 400X) collected from 82 patients with clinical symptom of breast cancer. For feature extraction, VGG16, VGG19, Xception, InceptionV3, ResNet50 and Inception-ResNet-V2 models were classified using support vector machines (SVM) and their performances were evaluated. Data analysis was done using Python programming language and Keras deep learning library. Results: As a result of the analysis, the InceptionV3 model showed the best performance at 400X magnification with 98.2% accuracy and 0.982 F1 score. Performance metrics at 400X magnification with other models are respectively 98% accuracy and 0.98 F1 score for Xception and ResNet50, 97% accuracy and 0.97 F1 score for Inception-ResNet-V2 model, 96.2% accuracy and 0.962 F1 score for VGG16 model and 86.1% accuracy and 0.861 F1 score for VGG19 model. Conclusion: In this study, accuracy and F1 scores were obtained using CNN models. The highest accuracy and F1 score were achieved with the InceptionV3 model. Considering the model performance averages obtained with this study, it was seen that the ResNet50 model performed well for BreakHis database. As a conclusion, it has been seen that the methods used in the study have good generalization abilities and can respond to clinical needs.
Benzer Tezler
- Zaman serisi verilerinin derin yapay sinir ağları ile analizi ve eniyilemesi: Finansal tahmin algoritmaları
Analysis and optimization of the time series data with deep artificial neural networks: Financial estimation algorithms
ÖMER BERAT SEZER
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET MURAT ÖZBAYOĞLU
- Derin öğrenme tekniklerinin biyomedikal imgeler üzerine uygulamaları
Applications of deep learning techniques on biomedical images
MEHMET EMRE SERTKAYA
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURHAN ERGEN
- Detecting hate speech in Turkish texts
Türkçe metinlerde nefret söylemi tespiti
ZEHRA MELCE HÜSÜNBEYİ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
- Türkçe ağızların tanınmasında derin öğrenme tekniğinin kullanılması
Identification of Turkish dialects using deep learning techniques
GÜLTEKİN IŞIK
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HARUN ARTUNER
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK