Histopatolojik görüntüler kullanılarak dikkat tabanlı transfer öğrenme yöntemiyle meme kanseri sınıflandırması
Breast cancer classification using attention-based transfer learning on histopathological images
- Tez No: 959767
- Danışmanlar: DOÇ. DR. MAHİR KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 141
Özet
Meme kanseri, dünya çapında kadınları etkileyen en yaygın ve ölümcül kanser türlerinden biridir. Erken ve doğru tanı, hayatta kalma oranlarını artırmada ve etkili tedavi stratejileri belirlemede çok önemli bir rol oynar. Bu araştırma, gelişmiş derin öğrenme modellerini uygulayarak ve optimize ederek doğru meme kanseri alt tip sınıflandırmasının zorluklarını ele almayı ve nihayetinde dikkat mekanizmaları ve kapsamlı veri artırma kullanarak tanı güvenilirliğini artıran etkili bir çözüm sunmayı amaçlamaktadır. Histopatolojik görüntüler kullanarak meme kanseri alt tiplerinin çok sınıflı sınıflandırması için birkaç derin öğrenme tabanlı yaklaşım öneriyor ve kapsamlı bir şekilde değerlendiriyoruz. Deneyler, başlangıçta benign ve malignant meme tümörlerinin sekiz alt tipine ayrılmış 7.909 histopatolojik görüntü içeren BreakHis veri seti üzerinde gerçekleştirildi. Eğitim verilerinin çeşitliliğini ve sağlamlığını artırmak için veri artırma teknikleri kullanıldı ve toplam eğitim görüntüsü sayısı 19.960'ya çıkarıldı. Bu çalışmadaki tüm deneyler için veri setini 80/20 oranında böldük, görüntülerin %80'ini eğitime ayırdık ve kalan %20'sini test için ayırdık. Bu yaklaşım, her modelin aynı koşullar altında değerlendirilmesini sağladı. ResNet152V2, SE-ResNet152V2, MobileNetV2 ve Squeeze-and-Excitation (SE) ve Convolutional Block Attention Module (CBAM) gibi dikkat modülleri içeren bu modellerin versiyonları da dahil olmak üzere birkaç gelişmiş Convolutional Neural Network (CNN) modeli araştırıldı. Her model, veri artırımı ile ve veri artırımı olmadan eğitildi. Eğitimden sonra, performansları her tümör türü için ayrı ayrı bir dizi metrik doğruluk, kesinlik, geri çağırma, F1 puanı ve karışıklık matrisleri kullanılarak ölçüldü. Sonuçlar açıktı: dikkat mekanizmaları eklemek ve veri artırımı kullanmak, test edilen model veya sınıftan bağımsız olarak neredeyse her zaman daha iyi doğruluk sağladı. Tüm modeller arasında CBAM-MobileNetV2, %98.35 ile en yüksek test doğruluğunu elde ederek öne çıktı. Ayrıca, farklı tümör alt tiplerini ne kadar iyi genelleştirdiği ve işlediği açısından diğer modellerden daha iyi performans gösterdi. Bu çalışma, derin öğrenmenin ve özellikle dikkat mekanizmalarına sahip CNN'lerin, patoloji görüntülerinden meme kanseri alt tiplerini doğru ve otomatik olarak sınıflandırmak için ne kadar güçlü araçlar olabileceğini göstermektedir. Bulgular ayrıca, etkili veri artırma ve düşünceli veri bölme stratejileri kullanmanın ne kadar önemli olduğunu vurgulamaktadır, çünkü bu adımlar sınıf dengesizliği sorunlarını gidermeye yardımcı olur ve modelleri daha güvenilir hale getirir, bu da bu araçların gerçek dünya tıbbi ortamlarında kullanılması durumunda özellikle önemlidir.
Özet (Çeviri)
Breast cancer is one of the most prevalent and deadly cancers affecting women worldwide. Early and accurate diagnosis plays a crucial role in improving survival rates and guiding effective treatment strategies. This research aims to tackle the challenges of accurate breast cancer subtype classification by applying and optimizing advanced deep learning models, ultimately providing an effective solution that improves diagnostic reliability through the use of attention mechanisms and comprehensive data augmentation. We propose and comprehensively evaluate several deep learning-based approaches for the multiclass classification of breast cancer subtypes using histopathological images. The experiments were conducted on the BreakHis dataset, which originally contained 7,909 histopathological images categorized into eight subtypes of benign and malignant breast tumors. To enhance the diversity and robustness of the training data, data augmentation techniques were employed, increasing the total number of training images to 19,960. For all experiments in this study, we used an 80/20 split of the dataset, assigning 80% of the images for training and reserving the remaining 20% for testing. This approach ensured that every model was evaluated under the same conditions. Several advanced Convolutional Neural Network (CNN) models were explored, including ResNet152V2, MobileNetV2, and versions of these models that included attention modules like Squeeze-and-Excitation (SE) and Convolutional Block Attention Module (CBAM). Each model was trained both with and without data augmentation. After training, their performance was measured using a range of metrics accuracy, precision, recall, F1-score, and confusion matrices broken down for each tumor type. The results were clear: adding attention mechanisms and using data augmentation almost always led to better accuracy, regardless of the model or class being tested. Out of all the models, CBAM-MobileNetV2 stood out, achieving the highest test accuracy of %98.35. It also performed better than the other models in terms of how well it generalized and handled the different tumor subtypes. This work shows how deep learning and especially CNNs with attention mechanisms can be powerful tools for accurately and automatically classifying breast cancer subtypes from pathology images. The findings also highlight how crucial it is to use effective data augmentation and thoughtful data splitting strategies, since these steps help address issues with class imbalance and make the models more reliable, which is especially important if these tools are to be used in real-world medical settings.
Benzer Tezler
- Prediction of microsatellite status in colorectal cancer whole slide images using deep neural networks
Derin sinir ağları kullanılarak kolorektal kanser tüm slayt görüntüleri üzerinde mikrosatellit durumu tahmini
FATMA VİLDAN ENGİN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Deep learning based colon cancer detection using ensemble transfer learning
Toplu transfer öğrenim yaklaşımlarıyla desteklenen derin öğrenme tabanlı kolon kanseri teşhisi
SABAHAT NURDAN SİNAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM AKYOKUŞ
- 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
- Histopatolojik görüntü analizinde derin öğrenme yöntemlerinin geliştirilmesi
Development of deep learning methods in histopathologic image analysis
DEMET ALICI KARACA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHRİYE AKAY
- Detection of liver fibrosis on slide-level labeled unstained biopsies by quantitative phase imaging and multiple instance learning
Karaciğer fibrozisinin slayt seviyesinde etiketlenmiş boyasız biyopsilerden kantitatif faz görüntüleme ve çoklu örnek öğrenmeyle tespiti
LÜTFİ KADİR ÇELEBİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM