İnce ayar ile etkinliği artırılmış CNN ve transfer öğrenme yöntemleriyle prostat kanserinin tespiti

Kanser insanlar için yüksek riskli hastalıkların başındadır. Prostat vakaları, akciğer kanserinden sonra erkeklerde ikinci sırada yer almakta ve erken teşhisi hayati önem taşımaktadır. Prostat kanserinin teşhisinde yapay zeka teknolojilerinden faydalanılmaya başlanmış, daha etkili ve hassas sonuçlar elde edilerek insan odaklı yöntemlerdeki potansiyel hatalarının önüne geçilmiştir. Bu çalışmada prostat kanserinin teşhisinde sınıflandırma performansını arttırabilmek adına makine öğrenmesi yöntemlerinden farklı olarak daha az eğitim verisi ile daha yüksek başarı ve öğrenme kabiliyetine sahip transfer öğrenme yöntemi ve ince-ayar işlemleri uygulanmıştır. Prostat kanseri MR görüntülerinden oluşan 'significant' ve 'not-significant' olmak üzere iki sınıflı veri setine, özellik çıkarımı yaklaşımıyla çeşitli CNN mimarileri ile doğruluk sonuçları elde edilmiş, bu oranları arttırabilmek adına ön-eğitimli transfer öğrenme modelleri kullanılmış ve Densenet201 modelinde çapraz-doğrulama yöntemi ve RMSProp optimizasyon yöntemi kombinasyonuyla %98,63 ile en yüksek doğruluk sonucuna ulaşmıştır. Önerilen transfer öğrenme modeli, özellik çıkarımı yöntemine kıyasla yaklaşık %26 oranında bir iyileştirme sağlamıştır. Bunun üzerine farklı bir prostat veri seti üzerinde yapılan çalışma kapsamında, öncelikle temel bir Sequential model geliştirilmiş, geliştirdiğimiz temel modelin katmanlarındaki nöron sayıları değiştirilerek piramit benzeri bir mimari tasarlanmış ve bu modelde ince ayarlama ve transfer öğrenme yapılarak performans artışı gözlemlenmiştir. Ayrıca, sonuçların mukayese edilebilmesi amacıyla son dönemlerde popülerlik kazanmış olan Vision Transformer (ViT) ve CNN ile Vision Transformer'ın hibrit bir kombinasyonu olan MaxViT v2 modeli ile de değerlendirmeler yapılmıştır. Bu karşılaştırmalar neticesinde en yüksek sınıflandırma doğruluğunun %96.77 ile ince ayarlı geliştirilmiş modelden elde edilmiştir. Çalışmanın sonuçları, derin öğrenme modelinin farklı hastalıkları tanıma yeteneğinin transfer öğrenme ve ince ayar etkinliği ile önemli ölçüde arttığını göstermektedir.