Patoloji Görüntülerinin Derin Öğrenme Yöntemleri İle Sınıflandırılması

Abstract

Meme kanseri, kadınlar arasında en çok görülen kanser türüdür. Kanserin erken tespit edilmesi, tedavinin zamanında yapılmasını sağlamaktadır. Medikal görüntüler, canlıların vücutlarında var olan hastalıkların tespitinde veya meydana gelebilecek olan hastalıkların erken tanısında hayati öneme sahiptir. Özellikle kanser tespiti yapmak amacıyla kullanılan patoloji görüntüleri, hastadan alınan bir parçanın çeşitli kimyasal maddelere batırılıp özel makinelerle taranarak bilgisayar ortamına aktarılan medikal görüntü çeşididir. Medikal görüntülerin analiz edilmesi için birçok makine öğrenmesi ve yapay zeka yöntemi kullanılmaktadır. Bu yöntemlerle görüntülerden anlamlı bilgiler çıkarılarak anormalliklerin tespit edilmesi veya tahmin edilmesi işlemleri yapılmaktadır. Yapay zeka yöntemlerinden biri olan derin öğrenme, patoloji görüntülerinin analiz edilmesinde önemli başarılar göstermektedir. Derin öğrenme mimarileri, makine öğrenimi çalışmalarındaki özellik çıkarım işlemini mimari içerisinde yer alan evrişim katmanları ile yapmaktadır. Görüntü sınıflandırma, nesne tanıma, segmentasyon gibi işlemler için kullanılan derin öğrenme algoritmaları, patoloji görüntülerinin analizi için en çok tercih edilen yöntemlerden biri haline gelmiştir. Bu çalışmada, derin öğrenme mimarilerinden evrişimsel sinir ağı (Convolutional Neural Networks, CNN) kullanılarak, meme kanserine ilişkin patolojik görüntülerin sınıflandırması işlemi gerçekleştirilmiştir. Farklı sayıda filtre ve katman kullanılarak tasarlanan modellerin eğitimi ve test işlemleri için 60000 adet meme patoloji görüntüsünden oluşan bir veri seti kullanılmıştır. Model eğitimleri için donanım olarak Google Colab üzerinde NVIDIA Tesla K80 GPU işlemcili bir makine kullanılmış olup yazılım aracı olarak açık kaynak kodlu Keras kütüphanesi ve Python programlama dili kullanılmıştır. 3 adet evrişim katmanı, 3 adet ReLU katmanı, 3 adet havuzlama katmanı ve tam bağlantılı katmanda 200 sinir hücresi kullanılarak eğitilen model ile kanserli ve kanserli olmayan patoloji görüntülerinin sınıflandırılmasında doğruluk değeri 0.8775, F1 skoru 0.8238, hassasiyet değeri 0.8381, hatırlama değeri 0.8762, MSE değeri 0.1195, MAE değeri 0.2497 elde edilmiştir. Elde edilen yüksek doğruluk, F1 skoru, hassasiyet ve hatırlama değerleri ile düşük hata değerleri, bu tez kapsamında önerilen CNN modelinin patoloji görüntülerinin sınıflandırılmasında kullanılabileceğini; özellikle tıp fakültelerinin ve hastanelerin patoloji bölümlerinde kullanılabilir sistemler tasarlanabileceğini göstermektedir.