Histopatolojik Görüntüler Üzerinde K-ortalamalar ve Derin Öğrenme Algoritmaları Kullanılarak Kolon Kanseri Tespiti
Ulaş Yurtsever1, Hayrettin Evirgen2, Mustafa Cihat Avunduk31Sakarya Üniversitesi, Bilgisayar ve Bilişim Bilimleri Fakültesi, Bilgisayar Mühendisliği Bölümü, Sakarya2İstanbul Üniversitesi, Açık Ve Uzaktan Eğitim Fakültesi, İstanbul
3Necmettin Erbakan Üniversitesi, Meram Tıp Fakültesi, Tıbbi Patoloji Ana Bilim Dalı, Konya
Bu araştırmada, GoogLeNet ve AlexNet olmak üzere iki evrişimli sinir ağı (CNN) modeli kullanılarak kolon kanserinin sınıflandırılması için yeni bir yaklaşım geliştirilmiştir. Bu yaklaşımda CNN'ler, orijinal ham görüntüleri kullanmak yerine, artırılmış bir k-ortalamalar kümeleme algoritması kullanılarak renk kümelerine ayrılmış histopatolojik görüntüleri kullanarak eğitilmektedir. Bu yöntem hem orijinal hem de bölütlenmiş görüntülerden oluşan daha büyük veri kümelerinden elde edilen farklı yapısal ve karakteristik özelliklere sahip 20 veri kümesine uygulanmıştır. Veri kümeleri CNN modellerini eğitmek ve test etmek için kullanılmıştır. Sonuçlar, bölümlere ayrılmış görüntülerle eğitilen AlexNet'in doğruluk performansında %2 ile %23 arasında bir artış gösterdiğini, GoogLeNet'in doğruluk performansının ise %2 ile %27 arasında iyileştiğini ortaya koymuştur. Özellikle, önerilen yaklaşım homojen olmayan verilere sahip veri kümelerinde daha yüksek doğruluk sağlamıştır.
Anahtar Kelimeler: Evrişimli sinir ağı, Derin öğrenme, Görüntü bölütleme, Görüntü sınıflandırma, Kolon kanseriDetection of Colon Cancer Using K-means And Deep Learning Algorithms on Histopathological Images
Ulaş Yurtsever1, Hayrettin Evirgen2, Mustafa Cihat Avunduk31Department of Computer Engineering, Sakarya University, Sakarya, Turkey2Faculty of Open and Distance Education, İstanbul University, İstanbul, Turkey
3Department of Pathology, Meram Schools of Medicine, Necmettin Erbakan University, Konya, Turkey
In this research, a novel approach for classifying colon cancer was developed by employing two convolutional neural network (CNN) models, namely GoogLeNet and AlexNet. This approach involves training CNNs with histopathological images segmented into color clusters using an augmented k-means clustering algorithm, rather than utilizing original-raw images. This method was applied to 20 datasets with distinct structural and characteristic features, derived from larger datasets comprising both original and segmented images. The datasets were used to train and test CNN models. The results indicate that AlexNet, trained with segmented images, showed a 2% to 23% increase in accuracy performance, while GoogLeNet's accuracy performance improved by 2% to 27%. Notably, the proposed approach yielded higher accuracy with datasets containing non-homogeneous data.
Keywords: Convolutional neural network, Deep learning, Image segmentation, Image classification, Colon cancerMakale Dili: İngilizce