Development of an effective deep learning model for breast cancer classification in histopathologic images
Histopatolojik görüntülerde meme kanserinin sınıflandırılmasına yönelik etkili bir derin öğrenme modelinin geliştirilmesi
- Tez No: 878509
- Danışmanlar: DOÇ. DR. ÖZKAN İNİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Deep Learning, breast cancer, SequezeNet, Googlenet, ResNet, MobileNet, DarkNet
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Kanser, özellikle kadınlar arasında en yaygın ve ciddi türlerden biri olarak kabul edilen meme kanseri ile birlikte, önemli bir küresel sağlık sorunu oluşturmaya devam etmektedir. Meme kanserinin doğru teşhisi, etkili tedavi ve takibi için çok önemlidir. Doku örnekleri hakkında ayrıntılı görsel bilgi sağlayan histopatolojik görüntüler, meme kanseri teşhisinde hayati araçlar olarak kabul edilmektedir. Ancak bu görüntülerin manuel olarak yorumlanması zaman alıcı olabilmekte ve gözlemciler arasında farklılıklar gösterebilmektedir. Bu çalışma, derin öğrenme tekniklerini kullanarak meme kanseri sınıflandırmasının doğruluğunu ve nesnelliğini geliştirmeye odaklanmaktadır. Sınıflandırma işlemi, çeşitli doku örneklerini içeren kapsamlı bir kaynak olan Meme Kanseri Histopatolojik Veritabanı'ndan (BreakHis) alınan histopatolojik görüntüler üzerinde gerçekleştirilmiştir. SequezeNet, GoogleNet, ResNet-50, MobileNet-V2, DarkNet-19 ve meme kanserinin ikili sınıflandırması için özel olarak tasarlanmış CNN modeli dahil olmak üzere çeşitli derin sinir ağı mimarileri kullanılmıştır. Deneysel sonuçlar, önerilen CNN modelinin, %97,77'lik bir doğruluğun elde edildiği 200x büyütme oranında umut verici bir performans gösterdiğini ortaya koymuştur. Bu model, 200x büyütme oranındaki görüntülerinde test edilen diğer modellerden daha iyi performans göstermiştir. MobileV2 derin öğrenme modeli, meme kanseri sınıflandırma görevlerindeki etkinliğini göstererek, popüler derin öğrenme modellerine kıyasla sürekli olarak daha yüksek doğruluk göstermiştir. Ayrıca, önerilen CNN modeli, eğitilen modellerden biri hariç diğerlerinden daha az parametreye sahip olmasına rağmen etkili eğitim, hesaplama verimliliği ve yüksek doğruluk elde etmiştir. Hesaplama verimliliği ve model kapasitesi arasındaki bu denge, gerçek dünyada dağıtım ve ölçeklenebilirlik için çok önemlidir. Önerilen CNN modeli, kolaylaştırılmış mimarisine katkıda bulunan ve verimliliğini artıran azaltılmış katmanlara da sahiptir. Tez çalışmasında, derin öğrenme teknikleri kullanılarak meme kanseri sınıflandırmasına ilişkin değerli bilgiler sağlamış olsa da, daha fazla araştırma için hala fırsatlar bulunmaktadır. Sınıflandırma performansını ve genelleştirilebilirliği artırmak için yeni mimarilerin keşfedilmesi, eğitim metodolojilerinin iyileştirilmesi ve ek veri kümelerinin dahil edilmesi önerilmektedir. Bu alanda yenilik yapmaya devam ederek teşhis doğruluğunu artırabilir ve nihayetinde meme kanseri hastaları için daha iyi sonuçlar elde edebiliriz. Anahtar Kelimler: Derin Öğrenme, Meme Kanseri, SequezeNet, GoogleNet, ResNet, MobileNet, DarkNet
Özet (Çeviri)
Cancer continues to pose a significant global health challenge, with breast cancer being recognized as one of the most prevalent and serious forms, especially among women. The accurate diagnosis of breast cancer is crucial for effective treatment and prognosis. Histopathological images, which provide detailed visual information about tissue samples, are considered vital tools in the diagnosis of breast cancer. However, manually interpreting these images can be time-consuming and subject to variations between observers. This study focuses on improving the accuracy and objectivity of breast cancer classification by utilizing deep learning techniques. Classification tasks were performed on histopathological images from the Breast Cancer Histopathological Database (BreakHis), a comprehensive resource containing diverse tissue samples. Various deep neural network architectures, including SequezeNet, GoogleNet, ResNet- 50, MobileNet-V2, DarkNet-19, and a custom CNN model specifically designed for binary classification of breast cancer, were employed. The experimental results revealed a promising performance of the proposed CNN model, especially at a 200x magnification, where an impressive accuracy of 97.77% was achieved. This model outperformed the other models tested in the study at a magnification factor of 200x. Interestingly, the MobileV2 model consistently demonstrated higher accuracy compared to state-of-the-art models, showcasing its effectiveness in breast cancer classification tasks. Moreover, the proposed CNN model achieved effective training, computational efficiency and high accuracy despite having fewer parameters than the others except one of the trained models. This balance between computational efficiency and model capacity is crucial for real-world deployment and scalability. Furthermore, the proposed CNN model also boasts a reduced of layers, contributing to its streamlined architecture and enhancing its efficiency. Although the study provided valuable insights into breast cancer classification using deep learning techniques, there are still opportunities for further research. It is suggested to explore novel architectures, refine training methodologies, and incorporate additional datasets to enhance classification performance and generalizability. Continuing to innovate in this field can improve diagnostic accuracy and ultimately achieve better outcomes for breast cancer patients.
Benzer Tezler
- Problem odaklı yenilikçi açıklanabilir ve hibrityapay zeka modellerinin geliştirilmesi
Development of problem-oriented innovative explainable and hybridartificial intelligence models
HANDE YÜKSEL BAYRAM
Doktora
Türkçe
2024
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL ALATAŞ
- Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde bulanıklığın giderilmesi
Unsupervised deblurring of digital breast tomosynthesis images using deep learning
MÜBERRA AYDIN
Yüksek Lisans
Türkçe
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- 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 mammogram görüntülerindeki lezyonların tespiti ve sınıflandırılması
Detection and classification of lesions in mammogram images with deep learning
YAVUZ BİÇİCİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALİM CEYHAN
DR. ÖĞR. ÜYESİ SÜLEYMAN UZUN
- Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması
Classification of breast cancer histopatological images using deep learning methods
KADİR CAN BURÇAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ