Histopatolojik görüntüler kullanılarak dikkat tabanlı transfer öğrenme yöntemiyle meme kanseri sınıflandırması

Meme kanseri, dünya çapında kadınları etkileyen en yaygın ve ölümcül kanser türlerinden biridir. Erken ve doğru tanı, hayatta kalma oranlarını artırmada ve etkili tedavi stratejileri belirlemede çok önemli bir rol oynar. Bu araştırma, gelişmiş derin öğrenme modellerini uygulayarak ve optimize ederek doğru meme kanseri alt tip sınıflandırmasının zorluklarını ele almayı ve nihayetinde dikkat mekanizmaları ve kapsamlı veri artırma kullanarak tanı güvenilirliğini artıran etkili bir çözüm sunmayı amaçlamaktadır. Histopatolojik görüntüler kullanarak meme kanseri alt tiplerinin çok sınıflı sınıflandırması için birkaç derin öğrenme tabanlı yaklaşım öneriyor ve kapsamlı bir şekilde değerlendiriyoruz. Deneyler, başlangıçta benign ve malignant meme tümörlerinin sekiz alt tipine ayrılmış 7.909 histopatolojik görüntü içeren BreakHis veri seti üzerinde gerçekleştirildi. Eğitim verilerinin çeşitliliğini ve sağlamlığını artırmak için veri artırma teknikleri kullanıldı ve toplam eğitim görüntüsü sayısı 19.960'ya çıkarıldı. Bu çalışmadaki tüm deneyler için veri setini 80/20 oranında böldük, görüntülerin %80'ini eğitime ayırdık ve kalan %20'sini test için ayırdık. Bu yaklaşım, her modelin aynı koşullar altında değerlendirilmesini sağladı. ResNet152V2, SE-ResNet152V2, MobileNetV2 ve Squeeze-and-Excitation (SE) ve Convolutional Block Attention Module (CBAM) gibi dikkat modülleri içeren bu modellerin versiyonları da dahil olmak üzere birkaç gelişmiş Convolutional Neural Network (CNN) modeli araştırıldı. Her model, veri artırımı ile ve veri artırımı olmadan eğitildi. Eğitimden sonra, performansları her tümör türü için ayrı ayrı bir dizi metrik doğruluk, kesinlik, geri çağırma, F1 puanı ve karışıklık matrisleri kullanılarak ölçüldü. Sonuçlar açıktı: dikkat mekanizmaları eklemek ve veri artırımı kullanmak, test edilen model veya sınıftan bağımsız olarak neredeyse her zaman daha iyi doğruluk sağladı. Tüm modeller arasında CBAM-MobileNetV2, %98.35 ile en yüksek test doğruluğunu elde ederek öne çıktı. Ayrıca, farklı tümör alt tiplerini ne kadar iyi genelleştirdiği ve işlediği açısından diğer modellerden daha iyi performans gösterdi. Bu çalışma, derin öğrenmenin ve özellikle dikkat mekanizmalarına sahip CNN'lerin, patoloji görüntülerinden meme kanseri alt tiplerini doğru ve otomatik olarak sınıflandırmak için ne kadar güçlü araçlar olabileceğini göstermektedir. Bulgular ayrıca, etkili veri artırma ve düşünceli veri bölme stratejileri kullanmanın ne kadar önemli olduğunu vurgulamaktadır, çünkü bu adımlar sınıf dengesizliği sorunlarını gidermeye yardımcı olur ve modelleri daha güvenilir hale getirir, bu da bu araçların gerçek dünya tıbbi ortamlarında kullanılması durumunda özellikle önemlidir.