Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması

Meme kanseri, genellikle kadınlarda rastlanan tehlikeli bir kanser türüdür ve bu da tıp biliminde önemli bir araştırma konusudur. Meme kanseri, meme hücre yapılarından bazılarının değişime uğrayarak kontrolsüz çoğalmasıyla tümör oluşumu sonucunda ortaya çıkan bir hastalıktır. Erken teşhis edilmeyen hastalarda kanser diğer organlara yayılarak tedaviyi zorlaştırmaktadır. Meme kanseri teşhisinde, karar verme sürecini kısaltmak, fark edilmeyen kanser hücrelerini en aza indirgemek ve daha hızlı bir teşhis almak için patolojik tanının doğruluğu büyük önem taşır. Ancak histopatolojik meme kanseri görüntü analizinde görüntülerin benzerliği, farklı bölgelerde sağlıklı veya tümör dokularının değişik seviyelerde bulunması alan uzmanları için yüksek yeterlilik gerektiren hassas ve zor bir süreçtir. Araştırmacılar son yıllarda bu süreci tıbbi teşhis ve görüntü analizinde önemli gelişmelere katkıları olan makine öğrenmesi ve derin öğrenme yöntemleriyle çözüm aramaktadır. Bu tez çalışmasında meme kanseri patolojik görüntüleri üzerinden bilgisayar destekli kanser teşhisi üzerine iki temel çalışma gerçekleştirilmiştir. İlk çalışmada, meme kanseri histopatolojik görüntülerinin sınıflandırması için önceden eğitilmiş derin evrişimsel sinir ağı (DESA) modellerinin etkinleştirme özelliklerinden yararlanılarak, boyut küçültmeye dayalı ReliefF özellik seçici algoritması ile hibrit bir yöntem DESA+ReliefF önerilmektedir. Model tam bağlı katmanlarda ince ayarlı transfer öğrenme tekniğine dayanmaktadır. Ayrıca modeller, k-nearest neighbors (kNN), navie bayes (NB) ve destek vektör makinesi (DVM) makine öğrenimi yaklaşımları ile karşılaştırılmıştır. Önerilen modelle karşılaştırma için iyi bilinen, VggNet-19 modeli de kullanılmıştır. Özellik çıkarıcı ve sınıflandırıcı kombinasyonlarının her birinin performansı, hassaslık, kesinlik, F1-puanı ve ROC eğrilerini kullanarak analiz edilmiştir. Önerilen hibrit model, BreakHis veri setini kullanarak, 40X, 100X, 200X, 400X büyütme oranlarına göre ayrı ayrı eğitilmiştir. Sonuçlar, modelin, %97,8 tanı doğruluk değerine kadar yüksek performansa sahip etkili bir sınıflandırma modeli olduğunu göstermektedir. Tez kapsamında yapılan ikinci çalışmada, meme kanseri histopatholojik görüntülerinin iyi huylu ve kötü huylu tümör olarak ikili sınıflandırılması için güncel DESA ağlarının etkinleştirme özelliklerinden yararlanılarak optimize edilmiş, histopatolojik evrişimsel sinir ağı (HCNN) modeli önerilmiştir. Model temelde, ince ayarlı aktarımlı öğrenme tekniği kullanmaktadır. Modelin eğitiminde, stokastik gradyan iniş (SGD), Nesterov hızlandırılmış gradyan (Nag), uyarlamalı gradyan (AdaGrad), RMSprop, AdaDelta ve Adam çözücüleri kullanılarak modelin optimizasyonu sağlanmıştır. Bu çözücüler, önerilen ağın, başlangıç değerlerini hesaplar ve ağın parametlerini; öğrenme hızına, geçmişe ve yöntemine göre günceller. Modelin, geri yayılım öğreniminin, optimizasyonu yapar ve parametrelerin optimum güncellemesini sağlar. Önerilen HCNN modeli, BreakHis veri setini kullanarak, 40X, 100X, 200X, 400X büyütme oranlarına göre ayrı ayrı eğitilmiştir. Sonuçlar, modelin, %99,05 doğruluk değerine kadar yüksek performansa sahip etkili bir sınıflandırma modeli olduğunu göstermektedir.