Meme Kanseri Histopatoloji Görüntülerinin Sınıflandırılması için bir Derin Öğrenme Yaklaşımı

Meme kanserinin (BCa) dünya genelinde, özellikle kadınlar arasında en yaygın kanser türü olarak öne çıkması, erken teşhisinin kritik önemini vurgulamaktadır. Bununla birlikte, patoloji alanındaki deneyimli hekim sayısının yetersizliği ve mecvut uzmanların yoğun çalışmaları dijital patolojiyi her geçen gün daha önemli bir ihtiyaç haline getirmektedir. Bu doğrultuda, bu tez çalışmasında meme kanseri hastalarına ait histopatholoji görüntülerinin sistematik olarak kategorizasyonu için bir derin öğrenme yaklaşımı önerilmiştir. Çalışmada kullanılan görüntüler ICIAR 2018'den elde edilmiş olup, yöntem olarak ResNet-18 ile entegre edilmiş bir bölge tabanlı evrişimli sinir ağı (R-CNN) kullanılmıştır. Görüntü büyütme, yama boyutunun belirlenmesi ve eğitim parametrelerinin ayarlanması aşamalarında özelleştirmeler yapılmış olup, önerilen modelin etkin çalışması için görüntülerdeki renk dağılım farklılıkları azaltılarak transfer öğrenme tekniği uygulanmıştır. Ağ, eğitim veri kümesini parça bazında dört kategoriye ayırmada %93.75, iki kategoriye ayırmada %97.06 doğruluk oranına ulaşmıştır. Yöntemin etkinliği kör bir test kümesi üzerinde test edildiğinde ise parça bazında dörtlü gruplandırma için %73.44, ikili gruplandırma için %87.24 doğruluk oranını elde etmiştir. Görüntü bazında dört kategoriye ayırmada %69.79, iki kategoriye ayırmada %86.46 doğruluk oralarını elde etmiştir. Elde edilen bu sonuçlar, önerilen modelin literatürdeki son teknolojileri içeren çalışmalar ile rekabet edebildiğini ve patologların teşhis sırasında yardımcı bir araç olarak kullanılabileceğini göstermektedir.