Derin topluluk öğrenmesi modeli ile histopatolojik görüntüler üzerinde çok sınıflı kanser teşhisi
Multi-class cancer diagnosis on histopathological images with deep ensemble learning model
- Tez No: 896409
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖNDER YAKUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
Kanser dünya çapında başlıca ölüm sebeplerinden biridir. Bireylerde maddi ve manevi, toplumlarda ise sosyoekonomik yüke sebebiyet vermekte olan bu hastalık her altı ölümden birinin sebebidir. Kanserin erken aşamada tespit edilmesi, hayatta kalma şansını önemli ölçüde artırmaktadır. Bu yüzden bu hastalığın tespiti ve sınıflandırılması günümüzdeki en önemli çalışma alanlarından biridir. Bu tez çalışmasında, güncel görüntü işleme ve derin öğrenme teknikleri kullanılarak histopatolojik görüntüler üzerinde kanser tespiti yapan ve tanısal karar vermeye yardımcı olması amaçlanan bir bilgisayar destekli kanser teşhis sistemi önerilmiştir. Önerilen kanser teşhis sistemi için transfer öğrenme temelli istifleme algoritmasını kullanan derin topluluk öğrenmesi modeli geliştirilmiştir. Önerilen modelde, DenseNet201 ve EfficientNet B7 derin öğrenme modelleri temel sınıflandırıcılar olarak kullanılmıştır. Topluluk öğrenmesi modelinin meta modeli olarak temel bir CNN algoritması kullanılmıştır. Önerilen derin topluluk öğrenmesi modeli; akciğer, kolon, oral ve meme kanseri verileri kullanılarak oluşturulan çoklu histopatolojik kanser görüntüleri veri kümesiyle eğitilmiş olup verilerin iyi huylu veya kötü huylu olarak sınıflandırılması sağlanmıştır. Yapılan deneysel çalışmaların sonuçları doğruluk, duyarlılık, kesinlik, F-1 skoru ve ROC metrikleri kullanılarak değerlendirilmiştir. Önerilen model; akciğer verilerinde %99, kolon kanseri verilerinde %100, akciğer ve kolon verilerinde %100, meme kanseri verilerinde %85, oral kanser verilerinde %86 ve dokuz sınıflı dört farklı kanser türünü içeren veri kümesi üzerinde %90 doğruluk oranı elde etmiştir. Bu sonuçlar incelendiğinde, önerilen modelin başarımı tatmin edici derecede yüksektir. Böylece, önerilen modelin tıbbi görüntüler üzerinden kanseri teşhis etmek amacıyla tıp uzmanlarına yardımcı bilgisayar destekli karar verme sistemlerinde kullanılabileceği sonucuna varılmıştır. Bu tez çalışmasında önerilen yapay zekâ modelleri Google Bulut Bilişim hizmeti olan Colab Notebook üzerinde geliştirilmiştir.
Özet (Çeviri)
Cancer is one of the leading causes of death worldwide. It is the cause of one out of every six deaths, causing a financial and emotional burden on individuals and a socio-economic burden on societies. Detecting cancer at an early stage significantly increases the chance of survival. Therefore, the detection and classification of this disease is one of the most important areas of study today. In this study, a computer-aided cancer diagnosis system that detects cancer on histopathologic images using current image processing and deep learning techniques and is intended to help diagnostic decision making is proposed. A deep ensemble learning model using transfer learning based stacking algorithm is developed for the proposed cancer diagnosis system. In the proposed model, DenseNet201 and EfficientNet B7 deep learning models are used as base classifiers. A generic CNN algorithm is used as the meta-model of the ensemble learning model. The developed model was trained on a large data set using lung, colon, oral and breast cancer data and the data was classified as benign or malignant. The results of the experimental studies were evaluated using the metrics of accuracy, sensitivity, precision, F-1 score and ROC. The proposed model achieved 99% accuracy on lung cancer data, 100% accuracy on colon cancer data, 100% accuracy on lung and colon cancer data, 85% accuracy on breast cancer data, 86% accuracy on oral cancer data and 90% accuracy on a dataset containing four different cancer types with nine classes. Considering these results, the performance of the proposed model is satisfactorily high. Thus, it is concluded that the proposed model can be used in computer-aided decision-making systems to help medical professionals to diagnose cancer through medical images. The artificial intelligence models proposed in this thesis are developed on Colab Notebook, a Google Cloud Computing service.
Benzer Tezler
- Computer aided detection of cancer using histopathology images
Histopatoloji görüntülerinden bilgisayar destekli kanser tespiti
SENA BÜŞRA YENGEÇ TAŞDEMİR
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
DOÇ. DR. ZAFER AYDIN
- Deep learning technique for early detection of lung cancer
Akciğer kanserinin erken teşhisi için derin öğrenme tekniği
NADA A M ALSHAER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
ASSISTANT PROFESSOR DR. SHAHRAM TAHERI
- Derin öğrenme ile histopatoloji görüntülerinde çekirdek örnek bölütleme
Nuclei instance segmentation in histopathology images with deep learning
SERDAR YILDIZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
DR. ÖĞR. ÜYESİ ABBAS MEMİŞ
- Dermatolojik hastalıkların teşhisinde derin öğrenme tabanlı yöntemlerin kullanılması
The use of deep learning-based methods in the diagnosis of dermatological diseases
İSMAİL ANIL AVCI
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ KARAKAYA
PROF. DR. BETÜL DEMİR
- Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu
Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model
GİZEM BURUN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ