Geri Dön

Design of a flask-based web application for multi-class cervical cancer image classi̇fi̇cati̇on usi̇ng deep learning models

Derin öğrenme modelleri kullanılarak çok sınıflı servikal kanser görüntü sınıflandırması için flask tabanlı bir web uygulamasının tasarımı

PDF İndir

  1. Tez No: 970961
  2. Yazar: RAWAASY FAYEZ HAMMAD HAMMAD
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MOHAMMED ALKRUNZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Yapay Zeka, Evrişimli Sinir Ağları, ResNet50V2, InceptionV3, EfficientNetB0, Flask, Dengeli, Transfer Öğrenme, Artificial Intelligence, Convolutional Neural Networks, ResNet50V2, InceptionV3, EfficientNetB0, Flask, Balanced, Transfer Learning
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Servikal kanser, küresel olarak kadınlar arasında kanserle ilişkili ölümlerin baskın nedeni olmaya devam ediyor ve tedavi etkinliğini artırmak için kesin ve erken teşhis gerektiriyor. Servikal kanser, rahim ve vajinal kanal arasındaki bağlantı olan servikste gelişen ciddi bir rahatsızlıktır. Tedavi edilmezse, bu hücrelerin sınıflandırılması kanser teşhisinin önemli bir yönüdür, çünkü hem hastalığın kapsamını hem de vücuttaki kesin yerini ortaya koyar. Genellikle kanser kapsamı olarak adlandırılan evreleme, birkaç kritik faktörü kapsar: tümörün boyutu, organın bölümlerinin kanserli hücreler barındırıp barındırmadığı, bu kapsamlı anlayış bir dizi kapsamlı test ve muayeneden elde edilir. Kanserin evresi, sağlık ekibine yalnızca etkili bir tedavi planı hazırlamada rehberlik etmekle kalmaz, aynı zamanda hastalığın sonucunu, sınıflandırmasını veya prognozunu tahmin etmede de önemli bir rol oynar. Skuamöz hücreli tümörler, önleme ve farkındalığa öncelik vererek kötü huylu servikal kanser vakalarının %80 ila %90'ını oluşturur, bireyleri ve gelecek nesilleri servikal kanserden korumaya yardımcı olabilir. Yapay zeka (AI) giderek modern tıbbın önemli bir parçası haline geliyor. Bu nedenle, bu makale servikal sitoloji resimlerinin otomatik kategorizasyonu için çoklu model derin öğrenme yaklaşımlarını kullanan yenilikçi bir çerçeve sunuyor. Evrişimli sinir ağı (CNN) teknikleri, kanser hücrelerini mikroskobik görüntülere göre sınıflandırmak için kullanılır. Transfer öğrenmeye ek olarak, araştırmamız üç gelişmiş evrişimli sinir ağı mimarisine dayanmaktadır, bu nedenle çalışma ResNet50, InceptionV3 ve EfficientNetB0 gibi önceden eğitilmiş modelleri değerlendirir. Verilerdeki sınıf dengesizliği sorununu ele almak için servikal kanser için Mendeley LBC veri setinin dengeli bir versiyonu kullanıldı. Veri seti, prekanseröz ve kanserli servikal lezyonların farklı evrelerine karşılık gelen dört sete gruplandırılmış 963 görüntü içerir. Sonuçlar, önceden eğitilmiş ResNet50V2 modelinin sınıflandırma doğruluğunda hem InceptionV3 hem de EfficientNetB0'da %97 doğruluk elde ederek daha iyi performans gösterdiğini göstermektedir. Bu modelleri pratik kullanım için erişilebilir hale getirmek için Flask tabanlı bir web uygulaması geliştirildi. Bu platform, hastanelerin, doktorların ve hastaların analiz için görüntüleri yüklemelerine olanak tanır ve kanser hücrelerini dört sınıfa ayırır: İntraepitelyal Lezyon veya Malignite için Negatif (NILM), Düşük Dereceli Skuamöz İntraepitelyal Lezyon (LSIL), Yüksek Dereceli Skuamöz İntraepitelyal Lezyon (HSIL) ve Skuamöz Hücreli Karsinom (SCC). Dahası, uygulama modelin sınıflandırma kararlarını etkileyen görüntü bölgelerini vurgulamak için Grad-CAM teknolojisini entegre eder. Bu tür modellerin ilerlemesi, tıbbi teşhis için umut verici bir geleceğe işaret ediyor. Bu entegre strateji, erken tarama girişimlerine yardımcı olabilecek ve özellikle kaynak kısıtlı ortamlarda patologları destekleyebilecek sağlam, kapsamlı ve anlaşılır bir AI odaklı çözüm sunar.

Özet (Çeviri)

Cervical cancer continues to be a predominant cause of cancer-related mortality among women globally, necessitating precise and early detection to enhance treatment efficacy. Cervical cancer is a serious condition that develops in the cervix, the link between the uterus and vaginal canal If left untreated, Classification of these cells is a crucial aspect of cancer diagnosis, as it reveals both the extent of the disease and its precise location within the body. Often referred to as the cancer's extent, staging encompasses several critical factors: the size of the tumor, whether sections of the organ harbor cancerous cells, this comprehensive understanding is derived from a series of thorough tests and examinations. The stage of the cancer not only guides the healthcare team in crafting an effective treatment plan but also plays a significant role in predicting the outcome, classification or prognosis, of the disease. Squamous cell tumors account for 80 to 90% of malignant cervical cancer cases by prioritizing prevention and awareness, it can help protect individuals and future generations from cervical cancer. Artificial intelligence (AI) is increasingly becoming a vital part of modern medicine. So, this paper introduces an innovative framework utilizing multi-model deep learning approaches for the automatic categorization of cervical cytology pictures. Convolutional neural network (CNN) techniques are employed to classify cancer cells based on microscopic images. In addition to transfer learning, our research relies on three advanced convolutional neural network architectures, so the study evaluates pre-trained models such as: ResNet50, InceptionV3, and EfficientNetB0.A balanced version of the Mendeley LBC dataset for cervical cancer was utilized to address the issue of class imbalance in the data. The dataset includes 963 images, grouped into four sets that correspond to different stages of precancerous and cancerous cervical lesions. The results show that the pre-trained ResNet50V2 model outperformed achieving 97% accuracy, both InceptionV3 and EfficientNetB0 in classification accuracy. To make these models accessible for practical use, a Flask-based web application was developed. This platform allows hospitals, doctors, and patients to upload images for analysis, categorizing the cancer cells into four classes: Negative for Intraepithelial Lesion or Malignancy (NILM), Low-grade Squamous Intraepithelial Lesion (LSIL), High-grade Squamous Intraepithelial Lesion (HSIL), and Squamous Cell Carcinoma (SCC). Moreover, the application integrates Grad-CAM technology to highlight the image regions that influenced the model's classification decisions. The advancement of such models signals a promising future for medical diagnostics. This integrated strategy provides a robust, comprehensive, and comprehensible AI-driven solution that can assist in early screening initiatives and support pathologists, particularly in resource-constrained settings.

Benzer Tezler

  1. Tez No

    19262

    Değişken rezolüzyonlu görüntü örnekleyici

    Multi resolution image sampler

    RIZA CAN TARCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1991

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. M. SAİT TÜRKÖZ

  2. Tez No

    964700

    Blokzincir tabanlı ıot sağlık platformu ile hasta verilerinin güvenli paylaşımı ve izlenmesi

    Secure sharing and monitoring of patient data through a blockchain-based iot healthcare platform

    GALAL ABDULRAHEEM ALI AHMED

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÜNAL ÇAVUŞOĞLU

  3. Tez No

    215748

    Uzaktan eğitimde etkin erişim sitesi tasarım modeli ve bir uygulama

    The effective web design model in distance learning and an application

    İLKNUR AYDOĞDU KARAASLAN

    Doktora

    Türkçe

    Türkçe

    2008

    Eğitim ve ÖğretimDokuz Eylül Üniversitesi

    Ekonometri Ana Bilim Dalı

    DOÇ. DR. VAHAP TECİM

  4. Tez No

    978058

    Bilgisayar mühendisliği mezunlarına yönelik makine öğrenmesi tabanlı kişiselleştirilmiş kariyer öneri platformu (WEB-MÖS) tasarımı ve geliştirilmesi

    Design and development of a machine learning based personalized career recommendation platform (WEB-MÖS) for computer engineering graduates

    TAHİR ULAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBandırma Onyedi Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NECLA BANDIRMALI ERTÜRK

  5. Tez No

    946682

    Veri artırma teknikleri ile iyileştirilmiş çok modlu duygu tanıma sistemi tasarımı ve uygulaması

    Design and implementation of a multimodal emotion recognition system enhanced by data augmentation techniques

    EMRAH DİKBIYIK

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖNDER DEMİR

    DOÇ. DR. BUKET DOĞAN

Geri Dön