Multi-approached histopathology images classification

Histolojik görüntüler, özellikle kadınlar için önemli bir sağlık sorunu olmaya devam eden meme kanseri ve dünya genelindeki insanlar için kolon ve akciğer kanseri olmak üzere hastalıkların teşhisinde önemli bir rol oynar. Bilgisayar destekli teşhis araçları, hekimlerin erken teşhis ve tedavi planlamasında önemli ölçüde yardımcı olarak ölüm oranlarının azaltılmasına yardımcı olur. Derin öğrenmeye dayalı Evrişimli Sinir Ağları (CNN'ler), iyi huylu meme kanserlerini kötü huylu meme kanserlerinden ayırmada etkili olduğunu kanıtlamış olsa da, küçük veri kümelerindeki değişkenlik ve özellik çeşitliliğinin azlığı, CNN'lerden uzak durmaya ve aşırı uyum örneklerine ve ayrımcılığın azalmasına neden olabilir. Derin öğrenme, hiperparametre optimizasyonuna karşı çok hassastır ve bu nedenle öğrenme hiyerarşileri, ağın veri türleri arasındaki ilişki inceliğini anlaması için bir çözüm olabilir. Bu bağlamda, bu tez, Çok Düzeyli Dikkat Geliştirilmiş Darboğaz Sinir Ağına dayalı Hiyerarşik Uyarlanabilir Füzyon olan HAFMAB-Net'i tanıtmıştır. Ağ, hem küresel hem de uzamsal özellikleri çıkarmak için dikkat mekanizmalarına sahip gelişmiş bir Darboğaz mimarisini kullanan iki yoldan oluşur. Anahtar uzamsal bölgelere odaklanarak konumsal özelliklerin temsilini artırmak ve toplanan özelliklerin ayırt edici gücünü geliştirmek için Derin Uzamsal Dikkat Toplayıcı Modülü içerir. Ek olarak, değiştirilmiş bir Uyarlanabilir Füzyon Modülü, geliştirilmiş küresel ve güçlendirilmiş uzamsal özellikleri kapsamlı ve zenginleştirilmiş bir özellik temsilinde birleştirir ve bu daha sonra tüm görüntüye dayalı kanser sınıflandırması için kullanılır. Histopatolojik görüntü, tek bir görüntü içinde birden fazla kanser türü içerebilir; bu sorunu ele almak için, Yama düzeyinde meme histopatolojisi görüntülerinin tahmini için Geliştirilmiş Kalıntı Bloğuna dayalı Çok Ölçekli Dikkat dönüşümü olan yeni bir MATERB Ağı önerdik. Önerilen çerçeve, doku içindeki morfolojik değişkenlikle başa çıkmada modelin öğrenme sürecini geliştirmek için daha tamamlayıcı küresel ve yerel özellikleri yakalamak üzere çok ölçekli özellik çıkarma işlemlerini kullanır. Ek olarak, model, öz-dikkate dayalı Dikkat dönüştürme tekniklerini kullanır ve çapraz dikkat, görüntünün pikselleri arasındaki ilişkiyi öğrenmek ve dikkat ağırlıklarını hesaplamada anlamlı ayrıntılara ve bilgilere odaklanmak için kullanılır. Öz-dikkat, çoklu büyütme faktörlü alt görüntülere dayalı olarak çıkarılan özellikler arasındaki ilişkiyi yakalayıp öğrenerek, tam görüntülerden çıkarılan özelliklerin yanı sıra çapraz dikkati besleyen çeşitli düzeylerde ayrıntı ve bilgi sağlar. Çapraz dikkat, her etiketin genel bağlamı ve ayrıntılarıyla bütünleşik, anlamlı ve bağlam farkında bir temsil sağlamak için çalışır. Dahası, önerilen ağ, tüm yanlış sınıflandırılmış örnekleri eşit şekilde ele alan ve modelin kolay örnekleri ezberlemesini önleyerek aşırı uyumu azaltan Dengeli Odak Kaybı işlevini kullanmıştır.