A Deep Learning Approach for Categorizing Breast Carcinoma Histopathology Images
Meme Kanseri Histopatoloji Görüntülerinin Sınıflandırılması için bir Derin Öğrenme Yaklaşımı
- Tez No: 850593
- Danışmanlar: PROF. DR. SAMİ ARICA, DR. ÖĞR. ÜYESİ TUĞBA TOYRAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- A deep-learning approach for the diagnosis of ankylosing spondylitis
Ankilozan spondilit tanısı için derin öğrenme yaklaşımı
MISAGH ASGARI
Yüksek Lisans
İngilizce
2024
BiyomühendislikBahçeşehir ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. LAVDİE RADA ÜLGEN
- Yüksek benzerlikli nesnelerin makine öğrenmesi tabanlı sınıflandırılması
Classification of high-similarity objects based machine learning
CANAN TAŞTİMUR TEMİZ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN AKIN
- 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
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ
- Copd diagnosis classification on CT images using machine learning
Makine öğrenmesi ile BT görüntülerinde koah tanısı sınıflandırması
SOLEEN SABAH AMIN DAWOODAH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. ZAFER İŞCAN