Histopatolojik görüntülerden deri hastalıklarının tespit edilmesi için yapay zekâ tabanlı yeni bir yaklaşım
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Cilt hastalıkları tüm dünyada milyarlarca insanı etkileyen oldukça yaygın hastalıklardır. Cilt hastalıklarının teşhisinde ilgili bölgenin fotoğraflanması ve doku örneği alınması yöntemleri kullanılmaktadır. Doku örneklerinin patoloji uzmanları tarafından incelenmesi ve tanı koyma süreçleri zaman alıcı olabilmektedir. Bu tez çalışması kapsamında Düzce Üniversitesi Tıp Fakültesi Patoloji Anabilim Dalı'ndan temin edilen görüntüler ile Liken Skleroz, Morfea ve Kutanöz Küçük Damar Vasküliti hastalıklarına ait oluşturulan iki farklı veri seti üzerinde, makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak sınıflandırma işlemleri yapılmıştır. Kullanılan veri setlerinin özgün özellikleri bakımından literatürde öncü bir çalışma olma niteliği taşımaktadır. Veri setlerine Reinhard normalizasyonu, Gauss filtreleme, CLAHE histogram eşitleme yöntemleri ve veri artırımı uygulanmış, sonrasında Gri Seviye Eş Oluşum Matrisi (GLCM) ve histogram tabanlı istatistiksel yöntemler kullanılarak doku özellikleri ön plana çıkarılmıştır. Çalışmada ilk veri seti dijital mikroskop ile elde edilen görüntülerden oluşmaktadır ve bu veri seti üzerinde transfer öğrenme yöntemleri uygulandığında VGG16 modeli %97 ve ResNet50 %98 modeli ile doğruluğa ulaşılmıştır. Çalışmada oluşturulan ikinci veri seti doku örneklerinin yüksek çözünürlükte kayıt altına alınmasını sağlayan Tam Slayt Görüntüleyici kullanılarak Liken Skleroz ve Morfea hastalıklarına görüntülerden oluşturulmuştur. İkinci veri seti üzerinde makine öğrenmesi yöntemleri kullanılarak gerçekleştirilen sınıflandırma işlemleri sonucundan Yapay Sinir Ağları ve Destek Vektör Makineleri yöntemleri ile %97 sınıflandırma doğruluğuna ulaşılmıştır. Yapılan çalışmalar sonucunda patoloji uzmanları için doğru ve hızlı tanı koymada destek olacak bir yaklaşım sunulmuştur.
Skin diseases are highly prevalent, affecting billions of people worldwide. Diagnosing skin diseases involves photographing the relevant area and taking tissue samples. Pathologists can examine tissue samples and make a diagnosis, which can be time-consuming. In this thesis, we used machine learning and deep learning methods to classify two different datasets for Lichen Sclerosus, Morphea, and Cutaneous Small Vessel Vasculitis, using images obtained from the Department of Pathology at Düzce University Faculty of Medicine. The unique characteristics of the datasets make this a pioneering study in the literature. Reinhard normalization, Gaussian filtering, CLAHE histogram equalization, and data augmentation were applied to the datasets. Texture features were then highlighted using Gray Level Co-occurrence Matrix (GLCM) and histogram-based statistical methods. In the study, the first dataset consists of images obtained with a digital microscope, and when transfer learning methods were applied to this dataset, the VGG16 model achieved an accuracy of 97% and the ResNet50 model achieved an accuracy of 98%. The second dataset consists of images from the Full Slide Imaging system, which enables high-quality image merging of tissue samples, used for the creation of Lichen Sclerosis and Morphea. Further processing on the second dataset using machine learning methods resulted in up to 97% accuracy using Artificial Neural Networks and Support Vector Machines. The studies have resulted in an approach that will support pathologists in making accurate and rapid diagnoses.
Skin diseases are highly prevalent, affecting billions of people worldwide. Diagnosing skin diseases involves photographing the relevant area and taking tissue samples. Pathologists can examine tissue samples and make a diagnosis, which can be time-consuming. In this thesis, we used machine learning and deep learning methods to classify two different datasets for Lichen Sclerosus, Morphea, and Cutaneous Small Vessel Vasculitis, using images obtained from the Department of Pathology at Düzce University Faculty of Medicine. The unique characteristics of the datasets make this a pioneering study in the literature. Reinhard normalization, Gaussian filtering, CLAHE histogram equalization, and data augmentation were applied to the datasets. Texture features were then highlighted using Gray Level Co-occurrence Matrix (GLCM) and histogram-based statistical methods. In the study, the first dataset consists of images obtained with a digital microscope, and when transfer learning methods were applied to this dataset, the VGG16 model achieved an accuracy of 97% and the ResNet50 model achieved an accuracy of 98%. The second dataset consists of images from the Full Slide Imaging system, which enables high-quality image merging of tissue samples, used for the creation of Lichen Sclerosis and Morphea. Further processing on the second dataset using machine learning methods resulted in up to 97% accuracy using Artificial Neural Networks and Support Vector Machines. The studies have resulted in an approach that will support pathologists in making accurate and rapid diagnoses.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Güler, R. (2025). Histopatolojik Görüntülerden Deri Hastalıklarının Tespit Edilmesi İçin Yapay Zekâ Tabanlı Yeni Bir Yaklaşım (Tez No. 994529) [Doktora Tezi, Düzce Üniversitesi].
