Geri Dön

A Deep Learning Approach for Categorizing Breast Carcinoma Histopathology Images

Meme Kanseri Histopatoloji Görüntülerinin Sınıflandırılması için bir Derin Öğrenme Yaklaşımı

  1. Tez No: 850593
  2. Yazar: TUĞÇE SENA ALTUNTAŞ
  3. Danışmanlar: PROF. DR. SAMİ ARICA, DR. ÖĞR. ÜYESİ TUĞBA TOYRAN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 102

Özet

Meme kanserinin (BCa) dünya genelinde, özellikle kadınlar arasında en yaygın kanser türü olarak öne çıkması, erken teşhisinin kritik önemini vurgulamaktadır. Bununla birlikte, patoloji alanındaki deneyimli hekim sayısının yetersizliği ve mecvut uzmanların yoğun çalışmaları dijital patolojiyi her geçen gün daha önemli bir ihtiyaç haline getirmektedir. Bu doğrultuda, bu tez çalışmasında meme kanseri hastalarına ait histopatholoji görüntülerinin sistematik olarak kategorizasyonu için bir derin öğrenme yaklaşımı önerilmiştir. Çalışmada kullanılan görüntüler ICIAR 2018'den elde edilmiş olup, yöntem olarak ResNet-18 ile entegre edilmiş bir bölge tabanlı evrişimli sinir ağı (R-CNN) kullanılmıştır. Görüntü büyütme, yama boyutunun belirlenmesi ve eğitim parametrelerinin ayarlanması aşamalarında özelleştirmeler yapılmış olup, önerilen modelin etkin çalışması için görüntülerdeki renk dağılım farklılıkları azaltılarak transfer öğrenme tekniği uygulanmıştır. Ağ, eğitim veri kümesini parça bazında dört kategoriye ayırmada %93.75, iki kategoriye ayırmada %97.06 doğruluk oranına ulaşmıştır. Yöntemin etkinliği kör bir test kümesi üzerinde test edildiğinde ise parça bazında dörtlü gruplandırma için %73.44, ikili gruplandırma için %87.24 doğruluk oranını elde etmiştir. Görüntü bazında dört kategoriye ayırmada %69.79, iki kategoriye ayırmada %86.46 doğruluk oralarını elde etmiştir. Elde edilen bu sonuçlar, önerilen modelin literatürdeki son teknolojileri içeren çalışmalar ile rekabet edebildiğini ve patologların teşhis sırasında yardımcı bir araç olarak kullanılabileceğini göstermektedir.

Özet (Çeviri)

The prominence of breast cancer (BCa) as the most prevalent type of cancer worldwide, especially among women, underscores the critical importance of its early diagnosis. However, the insufficient number of experienced physicians in the field of pathology and the intense work of existing experts make digital pathology a more important need day by day. In this context, in this thesis study, a deep learning approach is proposed for the systematic categorization of histopathology images of breast cancer patients. The images utilized in the study were obtained from ICIAR 2018, and a region-based convolutional neural network (R-CNN) integrated with ResNet-18 was employed as the method. Customizations were implemented in the image augmentation, patch size determination, and training parameters adjustment stages, and for the effective operation of the proposed model, color distribution variances in the images were reduced and the transfer learning technique was applied. The network achieved an accuracy rate of 93.75% in categorizing the training dataset into four groups at the patch level and 97.06% in classifying it into two groups. When the effectiveness of the method was tested on a blind test set, it achieved accuracy rates of 73.44% for quadruple grouping at the patch level and 87.24% for binary grouping. Image-based categorization yielded accuracy rates of 69.79% for four groups and 86.46% for two groups. These results indicate that the proposed model can compete with studies incorporating the latest technologies in the literature and can be utilized as an assistive tool for pathologists during the diagnosis process.

Benzer Tezler

  1. A deep-learning approach for the diagnosis of ankylosing spondylitis

    Ankilozan spondilit tanısı için derin öğrenme yaklaşımı

    MISAGH ASGARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    BiyomühendislikBahçeşehir Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. LAVDİE RADA ÜLGEN

  2. Yüksek benzerlikli nesnelerin makine öğrenmesi tabanlı sınıflandırılması

    Classification of high-similarity objects based machine learning

    CANAN TAŞTİMUR TEMİZ

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ERHAN AKIN

  3. Improved helicopter classification via deep learning and overlapped range-doppler maps

    Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması

    DENİZ CAN ACER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  4. Derin öğrenme mimarileri ve kelime yerleştirme tekniklerini kullanarak antikanser peptit tahminleme

    Anti-cancer peptide prediction using deep learning architectures and word embedding techniques

    ONUR KARAKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ

  5. Copd diagnosis classification on CT images using machine learning

    Makine öğrenmesi ile BT görüntülerinde koah tanısı sınıflandırması

    SOLEEN SABAH AMIN DAWOODAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. ZAFER İŞCAN