Histopatolojik meme kanseri görüntülerinin evrişimsel sinir ağları kullanılarak sınıflandırılması

Abstract

Meme kanseri, dünya çapında kadınlar arasında önde gelen kanser tiplerinden biridir. Her yıl birçok meme kanseri hastası geç tanı ve tedaviye bağlı olarak hayatını kaybetmektedir. Bu nedenle meme kanserinin erken teşhisi hayati önem arz etmektedir. X-ray mamografi en çok tercih edilen görüntüleme yöntemi olmasına rağmen kanser teşhisi için tek başına yeterli değildir. Bilgisayar destekli tespit ve teşhis (BDT) yöntemleri, tanı sürecinde radyoloğa yardımcı olmak, hastayı gereksiz ağrıdan kurtarmak amacıyla geliştirilmiş yöntemlerdir. Bu bağlamda literatürde birçok BDT yöntemi bulunmaktadır. Bu tez çalışmasında, görüntü tanımada yüksek performans gösteren derin öğrenme mimarilerinden evrişimsel sinir ağları hakkında detaylı bilgi verilmiş ve BreaKHis veri tabanından alınan histopatolojik meme kanseri görüntülerinin sınıflandırılmasında evrişimsel sinir ağları kullanılmıştır. Ayrıca doku tabanlı görüntü tanımada öncelikli olarak tercih edilen düşük seviyeli doku öznitelikleri ile de sınıflandırma gerçekleştirilmiştir. Evrişimsel sinir ağları özellik çıkarma ve transfer öğrenme aşamalarından oluşmaktadır. Özellik çıkarma, AlexNet ve Vgg16 modellerinin fc6 ve fc7 katmanlarında gerçekleştirilmiştir. Transfer öğrenme için önceden eğitilmiş AlexNet modeli kullanılmıştır. Düşük seviyeli doku öznitelik yöntemleri sırası ile Yerel İkili Örüntü (YİÖ), Yönlü Gradyanlar Histogramı (YGH), Ölçekten Bağımsız Özellik Dönüşümü (ÖBÖD) ve Gri Seviye Eş-Oluşum Matrisi(GSEM)'dir. Her iki çalışmada sınıflandırma aşamasında Destek Vektör Makineleri (DVM) yöntemi kullanılmıştır. Evrişimsel sinir ağlarında özellik çıkarma için en yüksek doğruluk değeri %93.78 ile AlexNet-fc7 ve Vgg16-fc7'nin birleştirilmiş derin özelliklerinden elde edilmiştir. Transfer öğrenme için %93.57 en yüksek doğruluk değeridir. Düşük seviyeli doku öznitelikleri yöntemlerinde en yüksek sonuç, YİÖ-ÖBÖD yöntemlerinin birleştirilmesi ile %75.48 olarak elde edilmiştir.

Breast cancer is one of the leading cancer types among women worldwide. Every year, many breast cancer patients die due to late diagnosis and treatment. Therefore, early diagnosis of breast cancer is of vital importance. Although X-ray mammography is the most preferred imaging modality, it is not sufficient for cancer diagnosis alone. Computer aided detection and diagnosis (CAD) methods are developed to assist the radiologist in the diagnosis process and to free the patient from unnecessary pain. In this context, there are many CAD methods in the literature. In this thesis, detailed information was given about convolutional neural networks from deep learning architectures, which are high performance in image recognition. In addition, classification was carried out with low-level texture features preferred primarily for texture based image recognition. Convolutional neural networks consist of feature extraction and transfer learning. Feature extraction was performed on the fc6 and fc7 layers of AlexNet and Vgg16 models. Pre-trained AlexNet model was used for Transfer learning. The low-level texture features methods are respectively Local Binary Pattern (LBP), Histogram of Oriented Gradients (HOG), Scale-Invariant Feature Transform (SIFT) and Grey Level Co-occurrence Matrix (GLCM). In both studies, Support Vector Machines (SVM) method was used in the classification stage. The highest accuracy value for feature extraction in convolutional neural networks was obtained from the combined properties of AlexNet-fc7 and Vgg16-fc7 with 93.78%. Transfer learning is the highest accuracy value of 93.57%. The highest results in low-level texture features methods were obtained as 75.48% by combining LBP-SIFT methods.