Geri Dön

Breast cancer detection using microscopic histopathological images: A transfer learning approach

Mikroskobik histopatolojik görüntülerle meme kanseri tespiti: Bir transfer öğrenme yaklaşımı

  1. Tez No: 750637
  2. Yazar: BILYAMINU MUHAMMAD
  3. Danışmanlar: DOÇ. DR. FATİH ÖZKAYNAK
  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: 2022
  8. Dil: İngilizce
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Histolojik görüntülerden özelliklerin çıkarılması, bilgisayar destekli meme kanseri tespitinin zorlu bir parçasıdır. Bu çalışma, BreaKhis veri kümesini kullanarak Meme algılama tabanlı aktarım öğrenme yaklaşımının alt türleri için yeni bir derin özellik çıkarma mühendisliği sunmaktadır. Bu yaklaşım beş aşamadan oluşur: özellik çıkarma, birleştirme, dönüştürme, seçme ve sınıflandırma. İlk aşamada, girdi görüntülerinden öznitelik çıkarmak için on dokuz önceden eğitilmiş evrişimsel sinir ağı öznitelik çıkarıcı olarak kullanılmıştır. Bu aşamada kayıp değeri fonksiyonunu hesaplamak için destek vektör makineleri kullanıldı. Sınıflandırma aşamasında sınıflandırıcı olarak kullanılmıştır. Öznitelik çıkarma sonuçlarına göre, iki ağ, diğer ağlardan daha iyi performans göstererek, veri seti üzerinde en yüksek doğruluğa ulaşmıştır. Göz önünde bulundurulan iki ağ, ResNet50 ve DenseNet201 önceden eğitilmiş ağların bir kombinasyonu olan DRNet modelini üretmek için seçilmiş ve birleştirilmiştir. Çıkarılan öznitelikler, dönüşüm aşamasında çok düzeyli ayrık dalgacık dönüşümü kullanılarak beş alt-el düşük düzey özniteliğe ayrıştırılmıştır. Sınıflandırma aşamasında gereken minimum öznitelik sayısını seçmek için yinelemeli komşuluk bileşeni analizi kullanılmıştır. Son aşamada sınıflandırıcı olarak kübik destek vektör makineleri ve k-en yakın komşular kullanılmıştır. k-en yakın komşu 40×, 100×, 200× ve 400× büyütme seviyelerinde sırasıyla %98,74, %97,7, %97,3 ve %98'lik bir ortalama sınıflandırma oranı doğruluğu üretti; burada destek vektör makineleri bir ortalama üretti 40×, 100×, 200× ve 400× büyütme seviyelerinde sırasıyla %98,61, %98,04, %97,68 ve %97,71 sınıflandırma oranı doğruluğu, tek elde tüm ve 10 kat çapraz doğrulama kullanılarak yöntem.

Özet (Çeviri)

The extraction of features from histological images is a challenging part of the computer-aided detection of breast cancer. This work presents a novel deep feature extraction engineering for subtypes of Breast detection-based transfer learning approach using the BreaKhis dataset. This approach consists of five phases: feature extraction, concatenation, transformation, selection, and classification. In the first phase, nineteen pre-trained convolutional neural networks were utilized as feature extractors to extract features from the input images. Support vector machines were used in this phase to compute the loss value function. In the classification phase, it was used as a classifier. According to the feature extraction results, the two networks attained the highest accuracies on the dataset, outperforming other networks. The two networks considered were chosen and concatenated to produce the DRNet model, a combination of ResNet50 and DenseNet201 pre-trained networks. The extracted features were decomposed into five sub-hand low-level features using a multilevel discrete wavelet transform in the transformation phase. Iterative neighborhood component analysis was utilized to choose the minimum number of features required in the classification phase. Cubic support vector machines and k-nearest neighbors were used as classifiers in the final phase. k-nearest neighbor produced an average classification rate accuracy of 98.74%, 97.7%, 97.3%, and 98% on the 40×, 100×, 200×, and 400× levels of magnification, respectively, where support vector machines produced an average classification rate accuracy of 98.61%, 98.04%, 97.68%, and 97.71% on the 40×, 100×, 200×, and 400× levels of magnification, respectively, using the one-gainst-all and 10-fold cross-validation method.

Benzer Tezler

  1. 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

    SEMA NIZAM ABDULGHANI

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN

  2. Derin öğrenme kullanılarak histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılması

    Classification of invasive ductal carcinoma grades from histopathological images using deep learning

    MEHMET FATİH SEVEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN MÜJDAT TİRYAKİ

  3. Histopatolojik görüntülerde tümör bölütlenmesi

    Tumor segmentation in histopathological images

    ZEHRA BOZDAĞ

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED FATİH TALU

  4. Meme kanserinin ftır ve kemometri tekniği kullanımı ile erken teşhisi

    Early diagnosis of breast cancer using ftir and chemometry technique

    HİDAYET BENGİSU GEDİKLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Kimya Mühendisliğiİstanbul Teknik Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RAMAZAN KIZIL

  5. Kanser tanısında kullanılmak üzere yeni nesil kolorimetrik biyosensörlerin geliştirilmesi

    Development of new generation colorimetric biosensors for cancer diagnosis

    İREM ÇELEBİER

    Doktora

    Türkçe

    Türkçe

    2022

    BiyolojiHacettepe Üniversitesi

    Biyoloji Ana Bilim Dalı

    PROF. DR. NEVİN KESKİN