Transfer öğrenmesi tabanlı hibrit evrişimsel sinir ağı modelleri kullanılarak meme kanseri teşhisi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: CHINGIZ SEYIDBAYLI
Danışman: Cenk Ulu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dünya Sağlık Örgütü'ne göre meme kanseri en yaygın kanser türlerinden biridir. 2020 yılında meme kanseri teşhisi koyulmuş 2.26 milyon kişinin 685 bini hayatını kaybetmiştir. Son yıllardadijital kanser tanı sistemlerinin kullanımı popülerlik kazanmıştır. Özellikle son 10 yılda derin öğrenme modelleri ve evrişimsel sinir ağı (ESA) modelleri, yüksek performanslarından dolayı görüntülerden kanser sınıflandırma uygulamalarında yaygın olarak tercih edilmektedir. Transfer öğrenmesi yöntemi kullanılarak ön eğitilmiş modellerin özellik çıkarımı ile ilgili parametreleri yeni modellere aktarılabilmekte ve böylece kısıtlı eğitim veri seti olması durumunda dahi tatmin edici başarımlar elde edilebilmektedir. Son zamanlarda ESA'lar ile elde edilen teşhis performansını daha da arttırmak için hibrit modeller önerilmiştir. Literatürde hibrit modeller, genellikle farklı ESA mimarilerinin belli katmanları birleştirilerek oluşturulmaktadır. Bu hibrit modellerde her bir ESA modelinin katman çıkışları ayrı ayrı işlenip, elde edilen değerler birleştirilerek sınıflandırıcıya girdi olarak verilmektedir. Bu çalışmada, doku bazlı patoloji görüntüleri üzerinden gerçekleştirilen meme kanseri teşhis işleminde hibrit ESA modeli kullanılarak tekli ESA modelleri ile elde edilen teşhis başarımının arttırılması amaçlanmıştır. Hibrit modeli oluşturmak için kullanılacak tekil ESA modelleri olarak ResNet50, VGG16, VGG19 ve Xception ön eğitilmiş modelleri tercih edilmiştir. En iyi hibrit modelin elde edilmesi için tekil modellerin ikili, üçlü ve dörtlü kombinasyonları oluşturulmuş ve başarımları deneysel olarak analiz edilmiştir. Modellerin eğitilmesi ve test edilmesi için CAMELYON ISBI ve BreaKHis veri setleri kullanılmıştır. Veri setlerinden elde edilmiş 225x225 boyutlarında görüntülerin sınıflandırılması gerçekleştirilmiştir. Tekli eğitim modellerinin oluşturulması için VGG16, VGG19, ResNet50 ve Xception modelleri transfer öğrenmesi yöntemi ile alınmış ve genel özellik çıkaran katmanları dondurulmuştur. Kalan katmanlardaki belirli bir katmanın çıkışına global maksimum havuzlama katmanı eklenmiş ve geri kalan katmanlar modelden çıkarılmıştır. Bu katmandan sonra sınıflandırma işlemi için bir tam bağlı ağ eklenmiştir. Bu tam bağlı ağda 1024 nörondan oluşan yoğunluk katmanı yer almakta, seyreltme ve yığın normalizasyon işlemleri yapılmakta ve softmax fonksiyonu kullanılarak sınıflandırma gerçekleştirilmektedir. Dondurulmuş katmanlar dışında kalan katmanların eğitimi gerçekleştirilmiştir. Tekil modellerin eğitimi yapılıp, parametreleri kaydedildikten sonra, ikili, üçlü ve dörtlü eğitim hibrit modelleri oluşturulmuştur. Bu modeller oluşturulurken kaydedilmiş her bir tekli modelin 1024 nörondan oluşan katmanından elde edilen öznitelik vektörlerinin birleştirilmesi ile yeni öznitelik vektörleri elde edilmiştir. Bu birleştirilmiş vektörlere seyreltme ve yığın normalizasyon işleminin uygulandığı tam bağlı katman ile sınıflandırma işlemi gerçekleştirilmiştir. Sonuçların başarım ölçümleri için kesinlik, duyarlılık, F1-skoru ve doğruluk metrikleri seçilmiştir. Elde edilen deneysel sonuçlara göre CAMELYON veri seti için en iyi sonucu %97.08 doğruluk oranı ile ResNet50 – VGG16 – Xception üçlü hibrit modeli ve BreaKHis veri seti için en iyi sonucu %97.75 doğruluk oranı ile VGG16 – VGG19 ikili hibrit modeli göstermiştir.