Meme kanserinin histopatolojik görüntüler üzerinde derin sinir ağları kullanılarak bilgisayar destekli otomatik tespiti

Günümüzde kadınlar arasında en sık görülen kanser türü meme kanseridir ve akciğer kanserinden sonra oldukça yüksek bir ölüm oranına sahip olarak ikinci sırada yer alır. Geç tespit durumunda ise meme kanseri tedavisi oldukça zor bir duruma gelmektedir. Meme kanserinin tespiti için çeşitli yöntemler bulunmasına karşın halen yardımcı tespit ve tedavi yöntemlerine olan ihtiyaç önem arz etmektedir. Bu çalışmada meme kanserinin histopatolojik görüntülerde tespiti için derin sinir ağları kullanılarak bir model önerilmiştir. Kullanılan veriseti 40X, 100X, 200X ve 400X yakınlaştırma oranlarına sahip ve toplamda 7909 adet histopatolojik görüntü içeren BreakHis'tir. Önerilen derin sinir ağı modelinde DenseNet201, Inception V3, ResNet50 ve Xception olmak üzere dört farklı ön-eğitimli ağ kullanılarak daha başarılı sonuçlar elde edilmesi sağlanmıştır. Kullanılan ön-eğitimli ağların çalışma mimarileri incelenmiş ve başarılı ağların neden daha iyi oldukları saptanmıştır. Modellerin başarımlarını daha da artırmak amacıyla bırakma, veri artırma, test zamanı veri artırımı ve yığın normalizasyonu yöntemleri kullanılmıştır. Her bir ön-eğitimli ağın farklı yakınlaştırma oranlarında elde ettiği başarımlar farklı performans ölçütleri (doğruluk, F1-skor, eğri altındaki alan) ve grafiksel doğruluk değeri vasıtasıyla incelenmiştir. Ön-eğitimli ağların karmaşıklık matrisleri çıkarılmış ve verisetinde bulunan görüntülere yaptıkları tahminler doğru veya yanlış olarak ayırt edilebilmiştir. Yapılan gözlem ve incelemeler neticesinde Xception ağı ile elde edilen sonuçların diğer ağlara oranla daha başarılı olduğu görülmüştür. Xception ağı ile 200X yakınlaştırma oranında gerçekleştirilen deneysel çalışmalarda, hem diğer ağlara göre hem de diğer yakınlaştırma oranlarına göre en başarılı sonuçlara ulaşılmış ve %98.01'lik bir doğruluk skoru, %98.21'lik bir hassasiyet değeri ve %98.92'lik bir hatırlama değeri elde edilmiştir. Xception ağının 200X yakınlaştırma oranındaki ROC (Receiver Operating Characteristic) eğrisi altındaki alan değeri ise 0.975 olarak hesaplanmıştır. Xception ağının rastgele seçilen 200X yakınlaştırma oranına sahip histopatolojik görüntüler üzerindeki tahminleri ve gerçek sonuçlar karşılaştırılmıştır. Sonuç olarak bu veriseti özelinde 100X yakınlaştırma oranında DenseNet201, 200X yakınlaştırma oranında InceptionV3, 200X ve 400X yakınlaştırma oranlarında ise Xception ağı daha başarılı sonuçlar ortaya koymuştur. Anahtar Kelimeler: Meme kanseri, Histopatolojik görüntü, Sınıflandırma, Derin sinir ağları, Xception, InceptionV3, ResNet, DenseNet, Ön-eğitimli ağlar