Evrişimli sinir ağları ile histopatolojik görüntülerden melanom tespiti
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dünya üzerinde kanser gün geçtikçe ciddi bir sağlık sorunu haline gelmiştir. Kanser türlerinden malign melanom, tüm cilt kanseri vakalarının %4'ünü oluşturmasına rağmen cilt kanserine bağlı ölümlerin yaklaşık %75'ine sebep olmaktadır. Cilt kanserinde erken teşhis konulması diğer kanser türlerinde olduğu gibi hayati bir öneme sahiptir. Erken teşhis konulan cilt kanserinin yaklaşık %98 oranında tedavi edilebildiği ortaya konulmuştur. Cilt kanseri öncelikle görsel olarak teşhis edilir, ilk klinik taramayla başlar ve bunu potansiyel olarak dermoskopik analiz, biyopsi ve histopatolojik inceleme izler. Burada patologların tecrübesi, görme kabiliyeti, incelemenin detaylı yapılıp yapılmadığı ve pataloglar arası görüş ayrılıkları gibi etkenler doğru teşhis koymada oldukça önemlidir. Derin öğrenme algoritmaları, özellikle evrişimli sinir ağı (ESA), görüntü analizi ve gösterimi için etkili bir metodolojiyi temsil eder. Histopatoloji dahil farklı görüntü türlerine otomatik bir yaklaşım için gerekli olan özellik çıkarımı ve sınıflandırma gibi görevleri optimize ederler. Bu çalışmada, histopatolojik görüntülerden lezyonun nevüs, displastik nevüs yada malign melanom olup olmadığının belirlenmesinde patologlara yardımcı bir ESA mimarisi geliştirilmesi amaçlanmıştır. Bu amaçla uzman patoloji ekibi tarafından nevüs, melanom, displastik nevüs olarak tanı konulmuş¸ Hematoksilen ve Eozin (H&E) boyalı, 2× büyütülmüş görüntüler, çeşitli evrişim, maksimum havuzlama ve tam bağlantı katmanlarına sahip bir ESA modelinin eğitiminde kullanılmıştır. Deneysel sonuçlara göre histopatolojik görüntü sınıflandırma modeli için 0,94964 doğruluk skoru elde edilmiştir. ESA modeli histopatolojik görüntülerin sınıflandırılması için etkili bir yöntem olmuştur ve modelin yüksek sonuçları geliştirilen sistemin cilt kanseri teşhisi konulması sürecinde patologlara yardımcı olmasını etkili kılmaktadır.
Cancer has become a serious health problem in the world day by day. However malignant melanoma constitutes 4% of all skin cancer cases, it causes approximately 75% of skin cancer-related deaths. Early diagnosis of skin cancer is of vital importance as in other types of cancer. It has been demonstrated that early diagnosed skin cancer can be cured at a rate of aproximately 98%. Skin cancer is first diagnosed visually, starting with the initial clinical screening, followed by dermoscopic analysis, skin biopsy, and histopathological analysis. Here, factors such as the experimentation of pathologists, visual skill, detailed analysis and disagreements among pathologists are very important in making an accurate diagnosis. Convolutional Neural Network (CNN), one of the deep learning algorithms, is an effective method for classification and image analysis. They perform the feature extraction and classification tasks required for an automated approach on different types of images, including CNN histopathology. In this thesis, it is aimed to develop a CNN architecture that helps pathologists in determining whether the lesion is a nevus, dysplastic nevus or malignant melanoma from histopathological images. For this purpose, Hematoxylin and Eosin (H&E) stained, 2× magnified images diagnosed as nevus, melanoma, dysplastic nevus by the expert pathology team were used in the training of a CNN model with various convolution, maximum pooling and full link layers. According to the experimental results, an accuracy score of 0.94964 was obtained for the histopathological image classification model. The CNN model has been an effective method for classifying histopathological images, and the high results of the model make the developed system effective to assist pathologists in the process of diagnosing skin cancer.
Cancer has become a serious health problem in the world day by day. However malignant melanoma constitutes 4% of all skin cancer cases, it causes approximately 75% of skin cancer-related deaths. Early diagnosis of skin cancer is of vital importance as in other types of cancer. It has been demonstrated that early diagnosed skin cancer can be cured at a rate of aproximately 98%. Skin cancer is first diagnosed visually, starting with the initial clinical screening, followed by dermoscopic analysis, skin biopsy, and histopathological analysis. Here, factors such as the experimentation of pathologists, visual skill, detailed analysis and disagreements among pathologists are very important in making an accurate diagnosis. Convolutional Neural Network (CNN), one of the deep learning algorithms, is an effective method for classification and image analysis. They perform the feature extraction and classification tasks required for an automated approach on different types of images, including CNN histopathology. In this thesis, it is aimed to develop a CNN architecture that helps pathologists in determining whether the lesion is a nevus, dysplastic nevus or malignant melanoma from histopathological images. For this purpose, Hematoxylin and Eosin (H&E) stained, 2× magnified images diagnosed as nevus, melanoma, dysplastic nevus by the expert pathology team were used in the training of a CNN model with various convolution, maximum pooling and full link layers. According to the experimental results, an accuracy score of 0.94964 was obtained for the histopathological image classification model. The CNN model has been an effective method for classifying histopathological images, and the high results of the model make the developed system effective to assist pathologists in the process of diagnosing skin cancer.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
