Kolon kanseri hastalığı görüntülerinin derin öğrenme yaklaşımı kullanılarak analizi

Kolon kanseri, dünya genelindeki kanser nedeniyle ölümler sıralamasında üçüncü sırada yer almaktadır. Kolon kanserinin erken teşhisi, hastalığın etkili bir şekilde kontrol edilmesi açısından büyük önem taşımaktadır. Son yıllarda, Derin Öğrenme (Deep Learning, DL) teknolojisinde önemli ilerlemeler kaydedilmiş ve bu teknoloji kanser türleri üzerinde tespit, teşhis, sınıflandırma, bölütleme ve tahminleme alanlarında sıkça kullanılmaktadır. Bu çalışmada, DL yaklaşımları arasında görüntü işleme alanında sıkça tercih edilen bir sinir ağı olan Evrişimli Sinir Ağları (Convolutional Neural Networks, CNN) kullanılarak histopatolojik kolon doku görüntü örneklerinin kanserli ya da normal olarak sınıflandırılması gerçekleştirilmiştir. Kullanılan veri seti açık kaynaklardan elde edilmiş olup, DL modellerinde eğitim ve test amaçlı kullanılmak üzere rasgele yöntemle ayrılmıştır. Hazırlanan görüntü verileri AlexNet, GoogLeNet, ResNet50, ResNet101 ve Xception gibi güncel DL algoritmaları tarafından kanserli ya da normal olarak sınıflandırılmıştır. DL algoritmalarının performans ölçümlerinde doğruluk, duyarlılık, özgüllük ve F1 skoru gibi parametreler kullanılmıştır. Elde edilen sonuçlara göre, AlexNet ile %99,73, GoogLeNet ile %99,9, ResNet50 ile %99,93, ResNet101 ile %99,87 ve Xception ile %99,93 doğruluk oranlarına ulaşılmıştır. Bu sonuçlar, kolon kanseri teşhisi ve sınıflandırılmasında kullanılan modellerin faydalı olabileceğini göstermektedir.