Derin öğrenme kullanılarak histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılması
Classification of invasive ductal carcinoma grades from histopathological images using deep learning
- Tez No: 847133
- Danışmanlar: DOÇ. DR. VOLKAN MÜJDAT TİRYAKİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Meme kanseri, dünya genelinde en sık görülen kanser türlerinden biridir ve her yıl birçok kadın bu hastalığa yakalanmaktadır. Doğru tedavi ve teşhis yöntemleri sayesinde meme kanserinin ölümcüllük oranları düşürülebilmektedir. Meme kanserinin teşhisinde kullanılan yöntemlerin ve tanısal araçların geliştirilmesi ve bilgisayar destekli yöntemler ile otomatik hale getirilmesi oldukça önemlidir. Meme kanserinin kesin teşhisinde histopatolojik görüntüler kullanılmaktadır. Histopatolojik görüntüler, biyopsi ile alınmış meme dokusunun mikroskop altında incelenmesi ile elde edilir ve meme kanserinin teşhisi ve derecelendirilmesinde kullanılır. Bu tezde, derin öğrenme yöntemlerinin kullanıldığı bir sınıflandırma modeli oluşturularak histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılması amaçlanmıştır. İnvaziv duktal karsinom, meme kanseri vakalarının büyük bir kısmını oluşturduğu için doğru derecelendirme tedavi planlamasında büyük önem taşımaktadır. Bu tezde, ResNet50, DenseNet121 ve Xception derin öğrenme mimarileri kullanılarak sınıflandırma modelleri oluşturulmuştur. Bu modellerin eğitimi ve değerlendirilmesi için histopatolojik görüntüler kullanılmış ve görüntüler üç derece olarak sınıflandırılmıştır. Sınıflandırma modelinin performansını değerlendirmek için dengeli doğruluk ve alıcı işlem karakteristiği eğrisi altında alan metrikleri kullanılmıştır. Doğrulama verisi 4× büyütme oranında %58,97, test verisi 40× büyütme oranında %47,81 dengeli doğruluk oranları elde edilmiştir. Bu tez, evrişimli sinir ağı tabanlı öğrenme aktarımı yöntemlerinin histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılmasında rapor edilen performans değerlerinde kullanılabileceğini ortaya koymaktadır.
Özet (Çeviri)
Breast cancer is one of the most common types of cancer worldwide and many women are diagnosed with this disease every year. The lethality rate of breast cancer can be reduced by appropriate treatment and detection methods. It is crucial to develop the methods and diagnostic tools used in the diagnosis of breast cancer and automate them with computer-aided methods. Histopathological images are used in the definitive diagnosis of breast cancer. Histopathological images are obtained by examining biopsied breast tissue under a microscope and are used in the diagnosis and grading of breast cancer. In this thesis, it is aimed to classify the degrees of invasive ductal carcinoma from histopathological images by creating a classification model using deep learning methods. Since invasive ductal carcinoma accounts for a large proportion of breast cancer cases, accurate grading is of great importance in treatment planning. In this thesis, classification models were created using ResNet50, DenseNet121 and Xception deep learning architectures. Histopathological images were used for training and evaluation of these models and the images were classified into three grades. Balanced accuracy and area under the receiver operating characteristic curve metrics were used to evaluate the performance of the classification model. Balanced accuracy rates of 58,97% were obtained for the validation data at 4× magnification and 47,81% for the test data at 40× magnification. This thesis demonstrates that convolutional neural network-based transfer learning methods can be used with reported performance values in classifying invasive ductal carcinoma grades from histopathological images.
Benzer Tezler
- Akciğer kitlelerinde transtorasik ince iğne aspirasyon biyopsisi (TTİİAB) öncesi pnömotoraks öngörülebilirliğinin derin öğrenme yöntemi ile değerlendirilmesi
Evaluation of pneumothorax predictionability by deep learning method before transtoraci̇c fi̇ne needle aspirati̇on biopsy (TTİİAB) in lung masses
VUSAL MAMMADLI
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ŞÜKRÜ MEHMET ERTÜRK
- Derin öğrenme ile histopatolojik görüntü analizi
Histopathological image analysis using deep learning
ŞABAN ÖZTÜRK
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAYRAM AKDEMİR
- Deep learning for digital pathology
Dijital patoloji için derin öğrenme
CAN TAYLAN SARI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tek taraflı nazal kavite ve paranazal sinüs patolojilerinin bilgisayarlı tomografi ile ayırıcı tanısında derin öğrenmenin kullanımı
The use of deep learning in the differential diagnosis of unilateral nasal cavity and paranasal sinus pathologies using computed tomography
ZEKERİYA BERK ÖZNAY
Tıpta Uzmanlık
Türkçe
2024
Kulak Burun ve BoğazRecep Tayyip Erdoğan ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
PROF. DR. ÖZLEM ÇELEBİ ERDİVANLI
- Parotis bezi tümörlerinin ayırıcı tanısında yapay zeka kullanımı
Use of artificial intelligence in the differential diagnosis of parotid gland tumors
ESAT KABA
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpRecep Tayyip Erdoğan ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. FATMA BEYAZAL ÇELİKER