Deep learning based colon cancer detection using ensemble transfer learning
Toplu transfer öğrenim yaklaşımlarıyla desteklenen derin öğrenme tabanlı kolon kanseri teşhisi
- Tez No: 926356
- Danışmanlar: PROF. DR. SELİM AKYOKUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Kolon kanseri, dünya çapında sıkça karşılaşılan ve yüksek ölüm oranlarına yol açan bir kanser türüdür.Erken teşhis ve etkili tedavi, bu hastalığın yönetiminde kritik bir rol oynamaktadır. Ancak, geleneksel yöntemlerle gerçekleştirilen histopatolojik analizler zaman alıcı, hekim bağımlı ve hatalara açık bir süreçtir. Son yıllarda, yapay zeka ve derin öğrenme tabanlı yaklaşımlar, tıbbi görüntülerin analizi ve kanser teşhisinde çığır açan yenilikler sunmuştur. Özellikle Evrişimli Sinir Ağları (CNN), histopatolojik görüntülerin otomatik sınıflandırılması ve tümör bölütleme süreçlerinde yüksek doğruluk oranlarıyla dikkat çekmektedir. ResNet, GoogleNet ve VGG16 gibi önceden eğitilmiş modeller, kolon kanseri teşhisinde hem veri işleme sürecini hızlandırmakta hem de hata oranını minimize etmektedir. Bu tez çalışmasında, derin öğrenme tabanlı bir model geliştirilerek kolon kanserinin histopatolojik görüntüler üzerinden teşhis ve sınıflandırılmasını hedefleyen bir yaklaşım sunulmuştur. Model, manuel analizlere olan bağımlılığı azaltmayı, daha hızlı ve doğru teşhis sağlamayı amaçlamaktadır. Bu yaklaşım, hem klinik uygulamalar için umut vadetmekte hem de sağlık profesyonellerine güçlü bir karar destek aracı sunmaktadır. Kolon kanserini tespit etmek için topluluk transfer öğrenimi derin öğrenme tekniklerinin uygulanmasına odaklanılmıştır. Birden fazla transfer modeli kullanılarak daha iyi performans elde edilmeye çalışılmıştır. Kanser tespiti için kolon dokularına ait histopatolojik görüntüler içeren LC25000 veriseti ve H&E ile işlenmiş kolon dokularının histopatolojik görüntülerini içeren (EBHI-Seg) veriseti kullanılmıştır. Kullanılan veri setlerinden LC25000 iyi huylu doku ve kolon adenokarsinom olmak üzere iki farklı histopatolojik görüntü, EBHI-Seg veri seti ise normal, polip, düşük dereceli intraepitelyal neoplazi, yüksek dereceli intraepitelyal neoplazi, serret adenoma ve adenokarsinom olmak üzere altı farklı histopatolojik görüntü içermektedir. Kolon kanserinin tespiti için sırasıyla VGG16, ResNet152V2, InceptionV3 ve özel olarak tasarlanmış CNN modeli dahil olmak üzere çeşitli sinir ağı mimarileri kullanılarak modeller oluşturulmuştur. Kolon kanseri tespiti için sırasıyla topluluk modeline ait doğruluk değerlerinde LC25000 veri setinde %100, EBHI-Seg veri setinde ise %98.63'e ulaşılmıştır. Ek olarak kolon kanseri için bulunan değerlerin güvenirliliği artırmak için EBHI-Seg veri setine repeated holdut cross validation uygulanarak çıkan sonuçlar ile modelin ezberlemediği anlaşılmıştır. Sonuçlar, kullanmış olduğumuz modellerin klinik uygulamalarda önemli bir destek aracı olarak kullanılabileceğini ve kolon kanseri ile mücadelede teknoloji ve bilimin bir araya geldiği yenilikçi çözümlerin öneminin giderek arttığını göstermektedir.
Özet (Çeviri)
Colon cancer is one kind of cancer which is commonly encountered worldwide and leads to high mortality rates. Early diagnosis and also effective treatment play essential role in the management of this disease. However, histopathological analysis using traditional methods is a time-consuming, physician-dependent and error-prone process. Deep learning (DL) and artificial intelligence (AI) based methods have produced ground-breaking advancements in cancer diagnosis and medical image analysis in recent years. In particular, CNN have attracted attention with their high accuracy rates in automatic classification of histopathological images and tumor segmentation processes. Pre-trained models like ResNet, GoogleNet and VGG16 accelerate the data processing and minimize the error rate in colon cancer diagnosis. In this thesis, an approach for the diagnosis and classification of colon cancer from histopathological images will be presented by developing DL based model. The model aims to reduce the dependency on manual analysis and produce a faster and more accurate diagnosis. This approach shows great potential in clinical applications and offers an effective decision-support tool for health professionals. The application of ensemble and transfer learning based DL techniques for the detection of colon cancer is focused on. Better results in terms of performance are striven to be achieved with the application of multiple transfer models. Histopathological images of colon tissues included in the LC25000 dataset and EBHI-Seg dataset histopathological images of colon tissues processed with H&E have been used for detecting cancer. Dataset LC25000 contains two kinds of histopathological images: benign tissue and colon adenocarcinoma. The EBHI-Seg dataset contains normal, polyp, low-grade intraepithelial neoplasia, high-grade intraepithelial neoplasia, serrated adenoma and adenocarcinoma—six kinds of histopathological images. Models are built for colon cancer detection using various neural network architectures, including VGG16, ResNet152V2, InceptionV3 and a custom-designed CNN model, respectively. The ensemble model's accuracy reached 100% on the LC25000 dataset and 98.63% on the EBHI-Seg dataset. In addition, repeated holdut cross validation was applied to the EBHI-Seg dataset to increase the reliability of the values found for colon cancer, and the results confirmed that the model did not memorize. The results show that the models we have used can be used as an important support tool in clinical applications and that the importance of innovative solutions combining technology and science in the fight against colon cancer is increasing.
Benzer Tezler
- Derin topluluk öğrenmesi modeli ile histopatolojik görüntüler üzerinde çok sınıflı kanser teşhisi
Multi-class cancer diagnosis on histopathological images with deep ensemble learning model
GİZEM YILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER YAKUT
- Biomedical image processing using artificial intelligence
Yapay zeka kullanarak biyomedikal görüntü işleme
SHIREEN ALOFARI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN
- Comparative analysis of transfer learning models for skin cancer detection and prediction of potential skin diseases
Cilt kanseri tespiti ve potansiyel cilt hastalıklarının tahminine yönelik transfer öğrenme modellerinin karşılaştırmalı analizi
HASAN AL SHATER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYapay Zeka ve Veri Bilimi Ana Bilim Dalı
Prof. Dr. ALİ OKATAN
- Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma
Multi-class classification for skin lesions using deep learning techniques
ÜMMÜHAN KOPAL
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI
- Akciğer ve kolon kanseri teşhisine yönelik derin öğrenme ve topluluk sınıflandırıcı tabanlı hibrit model
A deep learning and community classifier-based hybrid model for lung and colon cancer diagnosis
SÜMEYYE ÖZKAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR SABANCI