Geri Dön

Lenf kanseri görüntülerinin makine öğrenmesi yöntemleri ile sınıflandırılması

Classification of lymph cancer images with machine learning methods

  1. Tez No: 771489
  2. Yazar: EMİNE ÖZGÜR
  3. Danışmanlar: DOÇ. DR. AHMET SAYGILI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Onkoloji, Patoloji, Computer Engineering and Computer Science and Control, Oncology, Pathology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Tekirdağ Namık Kemal Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 100

Özet

Lenf kanseri veya diğer bir adıyla lenfoma, vücudun savunma hücrelerinin kanserleşerek kontrolsüz çoğalmasıdır. Lenfoma, kan kanserleri grubunda yer almaktadır ve bu grupta yer alan diğer kanserlere göre görülme sıklığı daha fazladır. Bu hastalıkta erken ve doğru teşhis çok önemlidir. Tehlikeli ve ciddi bir kanser türü olan lenfoma, duruma göre ölümle sonuçlanabilir. Uzmanların erken ve doğru teşhis yapabilmesine yardımcı olmak için uzman destek sistemleri geliştirilmektedir. Sağlık alanındaki uzman destek sistemler, belli bir hastalığa ait verileri makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak sınıflandırılmasını sağlar. Literatürdeki çalışmalar incelendiğinde uzman destek sistemlerinin başarıları görülmektedir. Çalışmada lenf kanserine ait histopatolojik görüntüleri içeren bir veri setiyle çalışıldı. Veri setinde CLL, FL ve MCL türünde lenfomalara ait görüntüler bulunmaktadır. Veri setinde artırım yapmak için 90, 180, 270 ve 360 derecelik açılarda dönme işlemi yapılmıştır. Bu görüntülerdeki özellikleri çıkarmak için ilk yaklaşımda GLCM ve diğer yaklaşımlarda transfer öğrenme metoduyla derin öğrenme mimarileri kullanılmıştır. Özellik seçimi ve boyut azaltımı için PCA kullanılmıştır. Sınıflandırma aşamasında; makine öğrenmesi algoritmalarından RF, KNN, NB, DT ve derin öğrenme mimarilerinden VGG16, ResNet50 ve DenseNet201 kullanılmıştır. Model eğitimleri ikili ve üçlü sınıflar için ayrı ayrı yapılıp sonuçlar incelenmiştir. MCL ve CLL türündeki lenfomaları kendi içerisinde ayırt edilmeleri zordur. Bu yüzden bu lenfomanın sınıflandırma sonuçları diğer sınıflandırma sonuçlarına göre daha düşüktür. FL, diğer iki lenfomayla özellikleri ayırt edilebileceği için FL ile sınıflandırma sonuçları yüksektir. Çalışmada en yüksek başarıyı FL ve CLL'yi %94 doğrulukla sınıflandırarak DenseNet201 göstermiştir.

Özet (Çeviri)

Lymph cancer, or lymphoma, is the uncontrolled proliferation of the body's defense cells by becoming cancerous. Lymphoma is in the group of blood cancers and it is frequency of the disease is higher than other cancers in this group. Early and correct diagnosis is very important in this disease. Lymphoma, a dangerous and serious type of cancer, can result in death depending on the situation. Specialist support systems are being developed to help specialist early and correct diagnosis. Specialist support systems in the healthcare field provide classification of the data of a certain disease using machine learning and deep learning methods. When the studies in the literature are examined, wonderwork of specialist support systems are seen. In this study, a dataset containing histopathological images of lymph cancer was studied. The dataset includes images of lymphomas of the CLL, FL and MCL types. In order to increase the dataset, rotation at 90, 180, 270 and 360 degree angles was performed. In order to extract features from these images, GLCM was used in the first approach and transfer learning method was used in other approaches. PCA was used for feature selection and dimension reduction. At the classification stage; machine learning algorithms RF, KNN, NB, DT and deep learning architectures VGG16, ResNet50 and DenseNet201 were used. Model trainings were performed separately for double and triple classes and the results were examined. It is difficult to distinguish between MCL and CLL lymphomas. Therefore the classification results of this lymphoma are lower than the other classification results. The results of the classification with FL are high because FL can be distinguished from the other two lymphomas. DenseNet201 was over performed in classifying FL and CLL with 94% accuracy rate.

Benzer Tezler

  1. Histopatolojik görüntülerin makine öğrenmesi yöntemleri ile analizi

    Analysis of histopathological images via machine learning methods

    ABDÜLKADİR ALBAYRAK

    Doktora

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  2. Clinical assessment of the microwave imaging system forbreast cancer screening and early detection

    Meme kanseri tarama ve erken tanı için mikrodalgagörüntüleme sisteminin klinik değerlendirmesi

    ALEKSANDAR JANJIC

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    Prof. Dr. MEHMET ÇAYÖREN

    Prof. Dr. İBRAHİM AKDUMAN

  3. Segmentation of breast microwave imaging using fuzzy c-mean clustering

    Bulanık c-ortalama kümeleme kullanarak meme mikrodalga görüntülemesinin segmentasyonu

    ASAL MAMIZADEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  4. Meme malign tümörlerinde radyolojik doku analizinin aksiller LENF nodu metastazını preoperatif öngörmeye katkısı

    The contribution of radiological texture analysis to preoperative prediction of axillary lymph node metastasis in breast malign tumors

    MESUT CAN KARALAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Radyoloji ve Nükleer TıpDokuz Eylül Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. IŞIL BAŞARA AKIN

  5. Obtain anterior/posterior position of the tumor through machine learning

    Makine öğrenme yoluyla tümörün anterior/posterior pozisyonunu elde edin

    GOLSHAN GHOLAMPOUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik-Haberleşme Eğitimi Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN