Geri Dön

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

PDF İndir

  1. Tez No: 962316
  2. Yazar: SÜMEYYE ÖZKAN
  3. Danışmanlar: DOÇ. DR. KADİR SABANCI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Karamanoğlu Mehmetbey Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Kolon ve akciğer kanseri dünya genelinde ciddi sağlık sorunlarına yol açan ve yüksek ölüm oranlarıyla dikkat çeken kanser türlerindendir. Bu hastalıkların erken ve doğru şekilde tespit edilmesi tedavi başarısını artırmakta ve yaşam süresini uzatmaktadır. Günümüzde uzmanların daha hızlı ve güvenilir teşhis koyabilmesi amacıyla bilgisayar destekli tanı sistemlerinin geliştirilmesine yönelik çalışmalar artmıştır. Bu tez çalışmasında açık erişimli LC25000 veri setinde yer alan akciğer ve kolon kanseri hücrelerine ait histopatolojik görüntüler kullanılarak beş farklı kanserli doku türü derin öğrenme tabanlı yöntemlerle sınıflandırılmıştır. Bu beş farklı doku türü; iyi huylu akciğer, kötü huylu akciğer, kötü huylu (yassı) akciğer, iyi huylu kolon ve kötü huylu kolon hücre dokusu görüntülerinden oluşmaktadır. İlk aşamada bu görüntüler MobileNet, MobileNetV2, Xception, DenseNet121, InceptionV3 ve ResNet152V2 modelleri ile sınıflandırılmıştır. En yüksek doğruluk oranı %99.12 ile MobileNet modeliyle elde edilmiştir. İkinci aşamada ise MobileNet modelinin Global Average Pooling 2D katmanından çıkarılan 1024 adet derin özellik, ensemble (topluluk) sınıflandırma modelleriyle yeniden sınıflandırılmıştır. Bu hibrit yaklaşım sonucunda MobileNet+Subspace KNN modeliyle %100 doğruluk oranına ulaşılmıştır. Elde edilen bulgular, derin özelliklerin uygun topluluk (ensemble) yöntemlerinin birleştirilmesi ile kanserli hücre tespitinde yüksek doğruluk oranlarına ulaşılabileceğini göstermektedir.

Özet (Çeviri)

Colon and lung cancers are among the types of cancer that cause serious health problems worldwide and are characterized by high mortality rates. Early and accurate detection of these diseases increases treatment success and prolongs survival. In recent years, studies aimed at developing computer-aided diagnosis systems have increased, with the goal of enabling specialists to make faster and more reliable diagnoses. In this thesis, histopathological images of lung and colon cancer cells from the publicly available LC25000 dataset were used to classify five different cancerous tissue types using deep learning-based methods. These tissue types include colon adenocarcinoma, benign colonic tissue, lung adenocarcinoma, lung squamous cell carcinoma, and benign lung tissue images. In the first stage, these images were classified using the MobileNet, MobileNetV2, Xception, DenseNet121, InceptionV3, and ResNet152V2 models. The highest accuracy rate of 99.12% was achieved with the MobileNet model. In the second stage, 1024 deep features extracted from the Global Average Pooling 2D layer of the MobileNet model were reclassified with ensemble classification models. As a result of this hybrid approach, the MobileNet+Subspace KNN model achieved 100% accuracy. The findings demonstrate that combining deep features with appropriate ensemble methods can achieve high accuracy rates in the detection of cancer cell.

Geri Dön