Derin öğrenme kullanılarak histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılması
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Siirt Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Meme kanseri, dünya genelinde en sık görülen kanser türlerinden biridir ve her yıl birçok kadın bu hastalığa yakalanmaktadır. Doğru tedavi ve teşhis yöntemleri sayesinde meme kanserinin ölümcüllük oranları düşürülebilmektedir. Meme kanserinin teşhisinde kullanılan yöntemlerin ve tanısal araçların geliştirilmesi ve bilgisayar destekli yöntemler ile otomatik hale getirilmesi oldukça önemlidir. Meme kanserinin kesin teşhisinde histopatolojik görüntüler kullanılmaktadır. Histopatolojik görüntüler, biyopsi ile alınmış meme dokusunun mikroskop altında incelenmesi ile elde edilir ve meme kanserinin teşhisi ve derecelendirilmesinde kullanılır. Bu tezde, derin öğrenme yöntemlerinin kullanıldığı bir sınıflandırma modeli oluşturularak histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılması amaçlanmıştır. İnvaziv duktal karsinom, meme kanseri vakalarının büyük bir kısmını oluşturduğu için doğru derecelendirme tedavi planlamasında büyük önem taşımaktadır. Bu tezde, ResNet50, DenseNet121 ve Xception derin öğrenme mimarileri kullanılarak sınıflandırma modelleri oluşturulmuştur. Bu modellerin eğitimi ve değerlendirilmesi için histopatolojik görüntüler kullanılmış ve görüntüler üç derece olarak sınıflandırılmıştır. Sınıflandırma modelinin performansını değerlendirmek için dengeli doğruluk ve alıcı işlem karakteristiği eğrisi altında alan metrikleri kullanılmıştır. Doğrulama verisi 4× büyütme oranında %58,97, test verisi 40× büyütme oranında %47,81 dengeli doğruluk oranları elde edilmiştir. Bu tez, evrişimli sinir ağı tabanlı öğrenme aktarımı yöntemlerinin histopatolojik görüntülerden invaziv duktal karsinom derecelerinin sınıflandırılmasında rapor edilen performans değerlerinde kullanılabileceğini ortaya koymaktadır.
Breast cancer is one of the most common types of cancer worldwide and many women are diagnosed with this disease every year. The lethality rate of breast cancer can be reduced by appropriate treatment and detection methods. It is crucial to develop the methods and diagnostic tools used in the diagnosis of breast cancer and automate them with computer-aided methods. Histopathological images are used in the definitive diagnosis of breast cancer. Histopathological images are obtained by examining biopsied breast tissue under a microscope and are used in the diagnosis and grading of breast cancer. In this thesis, it is aimed to classify the degrees of invasive ductal carcinoma from histopathological images by creating a classification model using deep learning methods. Since invasive ductal carcinoma accounts for a large proportion of breast cancer cases, accurate grading is of great importance in treatment planning. In this thesis, classification models were created using ResNet50, DenseNet121 and Xception deep learning architectures. Histopathological images were used for training and evaluation of these models and the images were classified into three grades. Balanced accuracy and area under the receiver operating characteristic curve metrics were used to evaluate the performance of the classification model. Balanced accuracy rates of 58,97% were obtained for the validation data at 4× magnification and 47,81% for the test data at 40× magnification. This thesis demonstrates that convolutional neural network-based transfer learning methods can be used with reported performance values in classifying invasive ductal carcinoma grades from histopathological images.
Breast cancer is one of the most common types of cancer worldwide and many women are diagnosed with this disease every year. The lethality rate of breast cancer can be reduced by appropriate treatment and detection methods. It is crucial to develop the methods and diagnostic tools used in the diagnosis of breast cancer and automate them with computer-aided methods. Histopathological images are used in the definitive diagnosis of breast cancer. Histopathological images are obtained by examining biopsied breast tissue under a microscope and are used in the diagnosis and grading of breast cancer. In this thesis, it is aimed to classify the degrees of invasive ductal carcinoma from histopathological images by creating a classification model using deep learning methods. Since invasive ductal carcinoma accounts for a large proportion of breast cancer cases, accurate grading is of great importance in treatment planning. In this thesis, classification models were created using ResNet50, DenseNet121 and Xception deep learning architectures. Histopathological images were used for training and evaluation of these models and the images were classified into three grades. Balanced accuracy and area under the receiver operating characteristic curve metrics were used to evaluate the performance of the classification model. Balanced accuracy rates of 58,97% were obtained for the validation data at 4× magnification and 47,81% for the test data at 40× magnification. This thesis demonstrates that convolutional neural network-based transfer learning methods can be used with reported performance values in classifying invasive ductal carcinoma grades from histopathological images.
Açıklama
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
