Histopatolojik meme kanseri görüntülerinin evrişimsel sinir ağları kullanılarak sınıflandırılması

Meme kanseri, dünya çapında kadınlar arasında önde gelen kanser tiplerinden biridir. Her yıl birçok meme kanseri hastası geç tanı ve tedaviye bağlı olarak hayatını kaybetmektedir. Bu nedenle meme kanserinin erken teşhisi hayati önem arz etmektedir. X-ray mamografi en çok tercih edilen görüntüleme yöntemi olmasına rağmen kanser teşhisi için tek başına yeterli değildir. Bilgisayar destekli tespit ve teşhis (BDT) yöntemleri, tanı sürecinde radyoloğa yardımcı olmak, hastayı gereksiz ağrıdan kurtarmak amacıyla geliştirilmiş yöntemlerdir. Bu bağlamda literatürde birçok BDT yöntemi bulunmaktadır. Bu tez çalışmasında, görüntü tanımada yüksek performans gösteren derin öğrenme mimarilerinden evrişimsel sinir ağları hakkında detaylı bilgi verilmiş ve BreaKHis veri tabanından alınan histopatolojik meme kanseri görüntülerinin sınıflandırılmasında evrişimsel sinir ağları kullanılmıştır. Ayrıca doku tabanlı görüntü tanımada öncelikli olarak tercih edilen düşük seviyeli doku öznitelikleri ile de sınıflandırma gerçekleştirilmiştir. Evrişimsel sinir ağları özellik çıkarma ve transfer öğrenme aşamalarından oluşmaktadır. Özellik çıkarma, AlexNet ve Vgg16 modellerinin fc6 ve fc7 katmanlarında gerçekleştirilmiştir. Transfer öğrenme için önceden eğitilmiş AlexNet modeli kullanılmıştır. Düşük seviyeli doku öznitelik yöntemleri sırası ile Yerel İkili Örüntü (YİÖ), Yönlü Gradyanlar Histogramı (YGH), Ölçekten Bağımsız Özellik Dönüşümü (ÖBÖD) ve Gri Seviye Eş-Oluşum Matrisi(GSEM)'dir. Her iki çalışmada sınıflandırma aşamasında Destek Vektör Makineleri (DVM) yöntemi kullanılmıştır. Evrişimsel sinir ağlarında özellik çıkarma için en yüksek doğruluk değeri %93.78 ile AlexNet-fc7 ve Vgg16-fc7'nin birleştirilmiş derin özelliklerinden elde edilmiştir. Transfer öğrenme için %93.57 en yüksek doğruluk değeridir. Düşük seviyeli doku öznitelikleri yöntemlerinde en yüksek sonuç, YİÖ-ÖBÖD yöntemlerinin birleştirilmesi ile %75.48 olarak elde edilmiştir.