Histopatolojik görüntülerden derin öğrenme tabanlı meme kanseri teşhisi

Abstract

Meme kanseri histopatolojik görüntülerinin doğru sınıflandırılması, erken teşhis ve etkili tedavi süreçlerinde kritik bir rol oynamaktadır. Bu tez çalışma, meme kanseri histopatolojik görüntülerinin sınıflandırılması amacıyla özel olarak tasarlanmış bir Convolutional Neural Network (CNN) modelinin geliştirilmesini ve performans değerlendirmesini kapsamaktadır. Araştırmanın ilk aşamasında, geniş veri kümeleri üzerinde önceden eğitilmiş transfer öğrenme modelleri değerlendirilmiştir. On bir farklı transfer öğrenme modeli kullanılmış ve öğrenme oranı, kayıp fonksiyonu, optimizasyon algoritması ve veri artırma teknikleri gibi parametreler titizlikle optimize edilmiştir. Xception ve InceptionV3 modelleri sırasıyla %89,89 ve %92,17 doğruluk oranları ile en yüksek performansı göstermiştir. Buna karşılık, MobileNetV2 ve EfficientNetV2B1 modelleri daha düşük başarı oranlarına sahip olmuştur. Transfer öğrenme modellerinden elde edilen sonuçlar doğrultusunda, sınıflandırma performansını daha da artırmak amacıyla özel bir CNN modeli tasarlanmıştır. Bu model, sıkıştırma-uyarı (squeeze-excite) mekanizmaları ve grup normalleştirme teknikleri ile optimize edilmiştir. Geliştirilen CNN modeli %93,93 doğruluk, %93,93 hassasiyet ve %93,98 F1 puanı ile transfer öğrenme modellerini geride bırakarak üstün bir performans sergilemiştir.

This The accurate classification of breast cancer histopathological images plays a crucial role in early diagnosis and effective treatment processes. This thesis focuses on the development and performance evaluation of a custom-designed Convolutional Neural Network model for the classification of breast cancer histopathological images. In the initial phase of the research, pre-trained transfer learning models were evaluated on large datasets. Eleven different transfer learning models were utilized, and parameters such as learning rate, loss function, optimization algorithm, and data augmentation techniques were meticulously optimized. Among these models, Xception and InceptionV3 demonstrated the highest performance with accuracy rates of 89,89% and 92.17%, respectively. In contrast, MobileNetV2 and EfficientNetV2B1 exhibited lower performance levels. Based on the results obtained from transfer learning models, a custom CNN model was designed to further enhance classification performance. This model was optimized using squeeze-excite mechanisms and group normalization techniques. The developed CNN model outperformed the transfer learning models with an accuracy of 93,93%, precision of 93,93%, and an F1 score of 93,98%, demonstrating superior performance.