Farklı derin öğrenme modelleri kullanarak histopatalojik görüntülerden meme tümörlerinin sınıflandırılmasında yeni yaklaşımlar
New approaches in classification of breast tumors from histopathological images using different deep learning models
- Tez No: 658603
- Danışmanlar: DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Günümüzde meme kanseri, kadın ölümlerinin en önemli sebeplerinden biridir. Bununla birlikte erken teşhise yönelik histopatolojik analiz, meme kanseri tanısına yönelik kullanılan en yaygın yöntemlerden biridir. Patologlar tarafından yapılan bu yöntemle, örneklerin mikroskop altında görsel olarak incelenmesi ile gerçekştirilmektedir. Bu yöntemin kabulü ne kadar yaygın olsada, zaman alıcı olması ve doğru karar vermede bazı olumsuzlukların yaşanmasıda gözden kaçırılmaması gereken bir husustur. Bilgisayar destekli tanı sistemlerinin gelişmesi ise histopatolojik analize alternatif olmamış, aksine destekleyici bir unsur olmuştur. Böylelikle araştırmacılar, özellikle sınıflandırma sorunları gibi problemlerin çözümünde büyük başarı elde etmişler ve Evrişimsel Sinir Ağlarını (CNN) içeren derin öğrenme tekniklerine odaklanmışlardır. CNN, özellikle biyomedikal görüntü işleme problemlerinde büyük başarılar elde etmiş, derin ve ileri beslemeli bir ağ türüdür. Bu çalışmada ise, CNN tekniklerinin avantajları düşünülerek, meme kanseri erken teşhis problemi üzerinde durulmuş ve açık kaynak (BreakHis) bir veri seti kullanılarak, histopatolojik görüntülerin sınıflandırması için üç farklı model önerilmiştir. Kullanılan veri seti, dört farklı büyütme faktörüne sahip iyi huylu ve kötü huylu görüntüleri içeren verilerdir. Önerilen üç modeldeki amaç ise, kötü huylu tümörlerin tehlikeli olması ve erken tedavi gerektirmesi esasından yola çıkarak, tümörün iyi huylu ve kötü huylu olduğuna karar vermeye yönelik ikili bir sınıflandırma sistemi tasarlamaktır. Modellerden ilki, özellik çıkarımı için 2 boyutlu bir ayrık dalgacık dönüşümünün (2-D DWT) kullanımı üzerinedir. İkinci model, Aktarım Öğrenimi (Transfer Learning) ve önceden eğitilmiş CNN modelini uyarlayan derin özellik çıkarma yöntemlerinin kullanımıdır. Üçüncü model ise, beş CNN yapısından (AlexNet, GoogleNet, VGG-16, ResNet50 ve InceptionV3) oluşan maksimum seçim kuralının uygulamasıdır. Dört farklı büyütme faktörüne sahip veri seti içinde büyütme faktörleri için (5-kat) çapraz doğrulama yöntemi kullanılarak denemeler yapılmıştır. Denemeler sonucunda ilk önerilen model olan CNN tabanlı DWT modeli ile hasta düzeylerinde %90 ile %94 arasında bir doğrulukta sonuçlar alınmıştır. İkinci önerilen SVM sınıflandırma ve yama stratejisine sahip önceden eğitilmiş AlexNet modeli ile hasta düzeylerinde %92 ile %96 arasında bir doğruluk elde edilmiştir. Beş CNN modelli maksimum seçim gerçekleştirilen üçüncü modelde ise, ikili sınıflandırma görevi için önceki modeller, hasta düzeylerinde %96.4 ile %97.7 arasında bir performans sağlanmıştır. Hasta düzeylerinde elde edilen bu sonuçlar, BreakHis veri kümesinin ortalama tanıma doğruluğunun, aynı veri kümesinde test edilen diğer makine öğrenme modellerine karşı yaklaşık %1 ile %5 oranında iyileşme gösterdiği belirlenmiştir. Ayrıca, sonuçlar büyütme faktöründen bağımsız olarak, sınıflandırıcıların hatalarının çoğunun, kötü huylu tümör olarak sınıflandırılan iyi huylu tümörler (fibroadenom ve tubular adenom) nedeniyle ortaya çıktığı tespit edilmiştir.
Özet (Çeviri)
Breast cancer is one of the leading causes of women death worldwide currently. The Histopathological analysis is the most widely used method for Breast Cancer diagnosis. Breast cancer diagnosis that is done by pathologists depends on the visual inspection of the samples under the microscope, which is a time-consuming and less accurate decision-making process. Developing a computer-aided diagnosis system for breast cancer detection became an interesting problem for many researchers in recent years. Researchers focused on deep learning techniques for classification problems, including Convolutional Neural Networks (CNNs), which achieved great success. CNN is a particular type of deep, feedforward network that has gained attention from the research community and achieved great successes, especially in biomedical image processing. This research proposes three different models for CNN to classify breast cancer histopathological images from the publically available (BreakHis dataset). The data set includes both benign and malignant images with four different magnification factors.The goal is to design a binary classification system to decide whether the tumor is benign or malignant, as malignant tumors is dangerous and need early treatment. The first proposed model uses a 2-dimensional discrete wavelet transform (2-D DWT) for feature extraction. The approximation Sub-band from the DWT feed to the CNN instead of the raw images itself. A patch strategy method proposed based on the extraction of image patches for training the CNN and the combination of these patches for final classification.The main observation is that the use of DWT features can generally achieve better results than the use of raw images itself. A further investigation was implemented using the step scheduler with increasing mini-batch size for updating Stochastic Gradient Descent (SGD) network parameters at the early stages of the training phase. In the second model, transfer learning and deep feature extraction methods are used which adapt a pre-trained CNN model to classify breast cancer histopathological images. AlexNet model is considered with patch strategy, and pre-trained AlexNet is used for further fine-tuning. The obtained features are then classified by using support vector machines (SVM). In the third model, a max fusion model of five CNN structures, namely AlexNet, GoogleNet, VGG-16, ResNet50, and InceptionV3, were performed. The features were extracted from the last fully connected layer of the pre-trained models. Then, the feature vectors were used with SVM classifier to boost the efficiency of the proposed models. Finally, the five models were fused using maximum selection rule to improve the accuracy of the model. Experiments were performed using five-fold cross-validation technique for different magnification factors. The results show that the first proposed CNN based DWT model achieves the accuracy between 90% and 94% at patient levels. In addition, the second proposed pre-trained AlexNet with SVM classification and patch strategy yields accuracy between 92% and 96% at patient levels. The third proposed model (Max Fusion of five CNN) has beaten the previous ones for the binary classification task with a performance of between 96.4% and 97.7% at patient levels. In general, the experimental results presented in the patient levels shows approximately 1% to 5% improvement of average recognition accuracy on the BreakHis dataset against the other machine learning models tested on the same dataset. Besides, the results show that independently of the magnification factor, most of the errors of the classifiers are due to benign tumors (fibroadenoma) and (tubular adenoma) classified as a malignant tumor.
Benzer Tezler
- Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması
Classification of breast cancer histopatological images using deep learning methods
KADİR CAN BURÇAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Konvolüsyonel sinir ağları modelleriyle meme kanseri histopatolojik görüntülerinin sınıflandırılması
Breast cancer histopathological image classification with convolutional neural networks models
IŞIL ÜNALDI
Yüksek Lisans
Türkçe
2020
BiyoistatistikOndokuz Mayıs ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DOÇ. DR. LEMAN TOMAK
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Yapay zeka kullanılarak klinik tanının öngörülmesinde biyokimyasal test sonuçlarının rolünün araştırılması
Investigation of the role of biochemical test results in prediction of clinical diagnosis using artificial intelligence
YUSUF YEŞİL
Tıpta Uzmanlık
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiTıbbi Biyokimya Ana Bilim Dalı
PROF. DR. EVİN ADEMOĞLU
DOÇ. DR. ALPAY MEDETALİBEYOĞLU
- Derin metrik öğrenme ile histopatolojik görüntülerin sınıflandırılması
Classification of histopathological images with deep metric learning
MAHMUT KAYA
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE