Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi

Son zamanların en popüler makine öğrenmesi yöntemlerinden biri olan derin öğrenme; görüntü işleme, ses tanıma, sinyal işleme vb. birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme yöntemleri; insansız hava araçları, robotik, akıllı telefon ve sağlık gibi alanlarda etkili bir şekilde kullanılmaktadır. Özel tarayıcıların geliştirilmesi ve biyopsi işleminin sayısallaştırılması ile bilgisayar destekli teşhis oldukça popüler bir araştırma alanı haline gelmiştir. Bilgisayar ortamında depolanan sağlık verileri gün geçtikçe artmaya devam etmektedir. Bu artan veri miktarına bağlı olarak makine öğrenme yöntemlerinin performansları dikkat çekici bir şekilde iyileştirilmiştir. Derin öğrenme yöntemleri, sayısallaştırılmış görüntüler aracılığıyla uzman kişilerin tanı ve teşhisinde kolaylık sağladığı gibi kanser gibi kritik bir rahatsızlığın otomatik tanısı ve teşhisi için umut olmuştur. Meme kanseri, toplumda en yaygın görünen kanser türlerinden birisidir. Meme kanserinin erken teşhisi hastanın tam tedavi edilebilmesindeki başarı oranını önemli ölçüde artırmaktadır. Meme kanserinin tanı ve teşhisinde histopatolojik görüntüler önemli bir yer almaktadır. Bu tez çalışması kapsamında, meme kanseri histopatolojik görüntülerinin analizi için birtakım yenilikçi derin öğrenme yöntemleri geliştirilmiştir. Tez çalışmasında birden fazla açık erişimli kanser veri seti incelenmiştir. Bu veri setlerinin analizinde kullanılacak çeşitli programlama paketleri oluşturulmuş ve veri setlerinin düzenlenmesi için özel teknikler geliştirilmiştir. Histopatolojik görüntülerin analizlerinin yapılması amacıyla, farklı derin öğrenme modellerinin oluşturulması aşamaları etraflıca ele alınmıştır. Geliştirilen bu modeller için farklı parametreler ve yöntemler denenerek en iyi çözüm elde edilmeye çalışılmıştır. Ön eğitimli bazı popüler derin modellerin, histopatolojik görüntülerin sınıflandırılması ve bölütlenmesi problemindeki performansları değerlendirilmiştir. Bunların yanı sıra, yüksek boyutlara ulaşan sayısal görüntü boyutunun azaltılması ve bu görüntülere ait çok daha düşük boyutlu temsillerin elde edilmesi için yeni bir derin öğrenme modeli sunulmuştur. Böylece sağlık alanındaki yüksek boyutlu sayısal görüntülerin uzak birimlere kolayca aktarılmasına yardımcı olacak yeni bir model sunulmuştur. Ayrıca bu yöntemler sayesinde uzman seviyesinde histopatolojik görüntülerin sınıflandırılması, işaretlenmesi sağlanmıştır.