Histopatolojik meme kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması

Abstract

Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur.

Processing of visual data has been used frequently in recent years, especially in the medical field. By using deep learning methods, a sub-branch of artificial intelligence, together with image processing methods; It has been successfully applied in many areas, especially tissue analysis and automatic classification of diseases. Deep learning experienced a stagnation due to the inadequacy of the existing hardware for a while, but it started to become a popular field again with the 2000s. With the developments in GPU, there has been a transition from shallow artificial neural networks to deep artificial neural networks. Thanks to back propagation algorithms between layers, hidden and distinctive features in large data sets are discovered. This reveals the effectiveness of artificial neural networks and deep learning methods. In this study, histopathological breast cancer images in the BreakHis dataset were classified using image processing and deep learning methods. At the same time, studies in the literature were also examined. The aim of the thesis is to present an automatic method for the early and accurate diagnosis of breast cancer, which is very common in women in recent years. As a result of the studies carried out in this way, a study has been put forward that will support medical professionals in their decisions.