Applying continual learning strategies for classification of cervical cells

Tıbbi görüntüleme, klinik tanı ve tedavi planlamasında önemli bir rol oynar. Makine öğrenimi ise, hastalık ve tedaviye yanıt özelliklerini yakaladığı için popülerlik kazanmaktadır. Görüntü elde etme teknolojisinin ve tanı prosedürlerinin sürekli ilerlemesi, tarayıcıların çeşitliliği ve gelişen görüntüleme protokolleri, alan kaymaları nedeniyle yeni veriler üzerindeki tahmin doğruluğu bozulduğundan veya modeller eskidiğinden, makine öğreniminin faydası sınırlanır. Bu tür alan kaymalarının bir örneği de pap smear görüntülerindedir. Bu tezde, pap smear görüntülerindeki alan kaymaları nedeniyle modellerin güncelliğini yitirmesiyle mücadele etmek için sürekli öğrenme stratejilerinin uygulamaları sunulmuştur. İki popüler evrişimli sinir ağı mimarisi (InceptionV3 ve ResNet50) ve 2 katmanlı evrişimli sinir ağı modeli, üç pap smear kıyaslama veri seti (Sipakmed, Herlev ve CRIC) ile eğitilmiştir. Modeller eğitilirken çeşitli sürekli öğrenme stratejileri kullanılmıştır. Son olarak, her bir strateji için modeller değerlendirilerek karşılaştırmalı sonuçlar sunulmuştur