Hibrit derin öğrenme mimarileri kullanılarak meme kanseri histopatolojik görüntülerinin analizi ve sınıflandırılması
Analysis and classification of breast cancer histopathological images using hybrid deep learning architectures
- Tez No: 1013046
- Danışmanlar: DOÇ. DR. EMİNE BAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, histopatolojik meme kanseri görüntülerinin otomatik sınıflandırılması amacıyla derin öğrenme tabanlı yaklaşımlar kapsamlı bir şekilde incelenmiş ve karşılaştırılmıştır. Çalışma kapsamında literatürde yaygın olarak kullanılan iki önemli veri seti olan IDC (Invasive Ductal Carcinoma) ve BreaKHis veri setleri kullanılmıştır. IDC veri seti genellikle benign (iyi huylu) ve malignant (kötü huylu) olmak üzere ikili sınıflandırma problemi olarak ele alınırken, BreaKHis veri seti sekiz farklı tümör alt tipini içeren daha karmaşık bir çok sınıflı (multiclass) yapı sunmaktadır. Bu çalışmada özellikle hücresel morfolojik özelliklerin daha detaylı öğrenilebilmesi amacıyla BreaKHis veri setinin 40× büyütme oranına sahip görüntüleri tercih edilmiştir. Önerilen model mimarisi, Inception, Residual ve Squeeze-and-Excitation (SE) bloklarının birleşiminden oluşan hibrit bir konvolüsyonel sinir ağıdır. Bu yapı sayesinde hem çok ölçekli özellik çıkarımı hem de derin ağlarda karşılaşılan gradyan kaybı probleminin azaltılması hedeflenmiştir. Ayrıca SE blokları aracılığıyla kanal bazlı dikkat mekanizması uygulanarak modelin önemli özelliklere odaklanması sağlanmıştır. Modelin performansını değerlendirmek amacıyla farklı veri setleri ve çeşitli eğitim senaryoları üzerinde kapsamlı deneyler gerçekleştirilmiştir. Deneysel çalışmalar kapsamında model; IDC veri seti, BreaKHis veri seti, IDC+BreaKHis birleşik veri seti ve BreaKHis veri setinin sekiz alt sınıflı versiyonu üzerinde eğitilmiştir. Modelin öğrenme davranışını analiz edebilmek için 16, 32 ve 64 yığın boyutları ile 20 ve 40 dönemden (epochs) oluşan farklı hiperparametre kombinasyonları değerlendirilmiştir. Ayrıca model performansının daha güvenilir ölçülmesi amacıyla 5 katlı çapraz doğrulama (5-fold cross-validation) uygulanmıştır. IDC veri seti üzerinde gerçekleştirilen deneylerde, yığın boyutu 32 ve 20 dönem konfigürasyonunda model yaklaşık %89,80 doğruluk elde etmiştir. Ancak dönem sayısının 40'a çıkarılmasıyla birlikte model performansının arttığı değil, aksine %82,19 doğruluğa düştüğü gözlemlenmiştir. Bu durum, yığın boyutu 32 için daha uzun eğitim süresinin aşırı öğrenmeye neden olabileceğini göstermektedir. Daha küçük yığın boyutlarında ise farklı bir davranış gözlemlenmiştir. Yığın boyutu 16 için 20 dönemde %83,40 doğruluk elde edilirken, dönem sayısının 40'a çıkarılmasıyla doğruluk %87,20 seviyesine yükselmiştir. Bu sonuç, küçük yığın boyutlarında daha uzun eğitim süresinin model performansını olumlu yönde etkileyebildiğini göstermektedir. Genel olarak değerlendirildiğinde, dönem sayısının artırılmasının model performansı üzerindeki etkisinin yığın boyutuna bağlı olduğu ve her durumda performans artışı sağlamadığı görülmektedir.BreaKHis veri seti üzerinde yapılan deneylerde ise model hem ikili (binary) hem de çoklu sınıflandırma (multiclass) görevlerinde başarılı sonuçlar elde etmiştir. Yığın boyutu 32 ve 20 dönem için %92,97 doğruluk elde edilirken, 40 dönemde bu değer %96,27'ye yükselmiştir. Yığın boyutu 16 için 20 dönemde %95,05; 40 dönemde ise %94,19 doğruluk elde edilmiştir. Daha büyük yığın boyutu olan 64 ile gerçekleştirilen deneylerde doğruluk değerleri %92–93 aralığında kalmıştır. Veri artırma (data augmentation) tekniklerinin modele önemli katkı sağladığı gözlemlenmiştir. Döndürme, çevirme, ölçekleme ve kaydırma gibi işlemlerle veri çeşitliliği artırılmış ve modelin genelleme yeteneği geliştirilmiştir. Veri artırmalı deneylerde model performansı önemli ölçüde artmış, en yüksek doğruluk değeri %99,83'e ulaşmıştır. Benzer şekilde farklı yığın boyutları için %98–99 aralığında oldukça yüksek doğruluk değerleri elde edilmiştir. Performans metrikleri incelendiğinde modelin dengeli ve güvenilir sonuçlar ürettiği görülmüştür. Örnek bir senaryoda doğruluk %86,06, duyarlılık %77,79, kesinlik %78,29, F1-skoru %78,04 ve AUC değeri 0,9266 olarak hesaplanmıştır. Bu sonuçlar modelin hem benign (iyi huylu) hem de malignant (kötü huylu) sınıflar için dengeli bir performans sergilediğini ve yüksek ayırt edicilik kapasitesine sahip olduğunu göstermektedir. Bu yönüyle çalışma, yalnızca sınıflandırma doğruluğu odaklı yaklaşımlardan ayrışmakta ve histopatolojik görüntüler üzerinde daha detaylı, yorumlanabilir ve genellenebilir bir analiz sunmaktadır. Özellikle BreaKHis veri setinin sekiz farklı tümör alt sınıfını içeren yapısı dikkate alınarak gerçekleştirilen çoklu sınıflı öğrenme süreci, modelin yalnızca benign (iyi huylu)–malignant (kötü huylu) ayrımı yapmakla kalmayıp, her bir tümör tipine özgü morfolojik özellikleri öğrenebilmesini sağlamıştır. Adenosis, fibroadenoma, phyllodes tumor ve tubular adenoma gibi benign (iyi huylu) alt sınıflar ile ductal carcinoma, lobular carcinoma, mucinous carcinoma ve papillary carcinoma gibi malignant (kötü huylu) alt sınıflar arasında gerçekleştirilen ayrım, modelin mikroskobik düzeyde ayırt edici özellikleri yakalayabildiğini göstermektedir. Bu durum, çalışmanın literatürde çoğunlukla ikili sınıflandırma odaklı yaklaşımlardan ayrışmasını sağlayan en önemli güçlü yönlerinden biri olarak değerlendirilmektedir. Çoklu sınıflı sınıflandırma deneylerinde, önerilen hibrit modelin sekiz farklı tümör alt sınıfını ayırt edebildiği ve literatür ile rekabetçi sonuçlar elde ettiği görülmüştür. Veri artırma uygulanmayan senaryolarda en iyi sonuç, 32 yığın boyutu ve 40 epoch konfigürasyonunda %96,27 doğruluk olarak elde edilmiştir. Veri artırma uygulanan senaryolarda ise en yüksek performans, 64 yığın boyutu ve 40 epoch konfigürasyonunda %99,83 doğruluk ile elde edilmiş olup, bu durum modelin veri çeşitliliğine yüksek adaptasyon yeteneğini ortaya koymaktadır. Ayrıca çoklu sınıflı öğrenme süreci sonucunda elde edilen temsillerin farklı veri setlerine aktarılabilir olması, modelin morfolojik özellikleri genelleyebilme yeteneğini ortaya koymakta ve bu durum çalışmanın literatüre sunduğu önemli özgün katkılardan biri olarak öne çıkmaktadır. Bu çalışmanın bir diğer önemli metodolojik katkısı ise veri sızıntısını önlemek amacıyla kullanılan hasta bazlı veri bölme (patient-wise split) yaklaşımıdır. Literatürde birçok çalışmada veri setleri görüntü bazlı olarak bölünmekte ve aynı hastaya ait benzer görüntüler hem eğitim hem de test setlerinde yer alabilmektedir. Bu durum, modelin genelleme yapmadan yalnızca benzer örnekleri ezberlemesine ve performans değerlerinin olduğundan yüksek görünmesine neden olabilmektedir. Bu çalışmada ise aynı hastaya ait tüm görüntüler yalnızca tek bir veri kümesinde yer alacak şekilde bölme işlemi gerçekleştirilmiştir. Bu sayede modelin daha önce hiç görmediği hastalara ait veriler üzerinde değerlendirilmesi sağlanmış ve elde edilen sonuçların daha gerçekçi ve klinik açıdan daha anlamlı olması hedeflenmiştir. Bu yaklaşım doğrultusunda elde edilen performans değerlerinin literatürde rapor edilen bazı çalışmalara göre daha düşük görünmesi, modelin gerçek dünya koşullarına daha yakın bir değerlendirme sunmasından kaynaklanmaktadır.
Özet (Çeviri)
In this study, deep learning-based approaches for the automatic classification of histopathological breast cancer images were comprehensively examined and compared. Within the scope of the study, two widely used datasets in the literature, namely IDC (Invasive Ductal Carcinoma) and BreaKHis, were utilized. While the IDC dataset is generally considered as a binary classification problem consisting of benign (iyi huylu) and malignant (kötü huylu) classes, the BreaKHis dataset presents a more complex multiclass structure including eight different tumor subtypes. In this study, images with a magnification factor of 40× from the BreaKHis dataset were specifically preferred in order to enable more detailed learning of cellular morphological features. The proposed model architecture is a hybrid convolutional neural network composed of Inception, Residual, and Squeeze-and-Excitation (SE) blocks. This structure aims to achieve both multi-scale feature extraction and mitigation of the vanishing gradient problem commonly encountered in deep networks. Additionally, through SE blocks, a channel-wise attention mechanism is applied to enable the model to focus on the most relevant features. Comprehensive experiments were conducted on different datasets and various training scenarios to evaluate the performance of the model. Within the experimental framework, the model was trained on the IDC dataset, the BreaKHis dataset, a combined IDC+BreaKHis dataset, and the eight-class version of the BreaKHis dataset. To analyze the learning behavior of the model, different hyperparameter combinations consisting of batch sizes of 16, 32, and 64, and training durations of 20 and 40 epochs were evaluated. Furthermore, 5-fold cross-validation was applied to ensure a more reliable performance evaluation. Experiments conducted on the IDC dataset demonstrate that the model achieved approximately 89.80% accuracy with a batch size of 32 and 20 epochs. However, when the number of epochs was increased to 40, the model performance did not improve; instead, it decreased to 82.19% accuracy. This indicates that, for a batch size of 32, a longer training duration may lead to overfitting and negatively affect generalization performance. For smaller batch sizes, a different behavior was observed. With a batch size of 16, the model achieved 83.40% accuracy at 20 epochs, while increasing the number of epochs to 40 improved the accuracy to 87.20%. This suggests that, for smaller batch sizes, longer training can enhance the model's ability to learn more detailed feature representations. Overall, the findings indicate that the effect of increasing the number of epochs on model performance is highly dependent on the batch size, and it does not consistently lead to performance improvement across all configurations.On the BreaKHis dataset, the model achieved successful results in both binary and multiclass classification tasks. With a batch size of 32 and 20 epochs, an accuracy of 92.97% was obtained, which increased to 96.27% at 40 epochs. For a batch size of 16, accuracies of 95.05% and 94.19% were achieved at 20 and 40 epochs, respectively. Experiments with a larger batch size of 64 resulted in accuracy values remaining within the range of 92–93%. Data augmentation techniques were observed to significantly improve model performance. By applying transformations such as rotation, flipping, scaling, and shifting, data diversity was increased, thereby enhancing the generalization capability of the model. In augmented experiments, the model performance improved substantially, achieving a maximum accuracy of 99.83%. Similarly, very high accuracy values in the range of 98–99% were obtained across different batch sizes. Analysis of performance metrics demonstrated that the model produced balanced and reliable results. In a representative scenario, accuracy was calculated as 86.06%, sensitivity as 77.79%, precision as 78.29%, F1-score as 78.04%, and AUC as 0.9266. These results indicate that the model performs consistently across both benign (iyi huylu) and malignant (kötü huylu) classes and possesses strong discriminative capability. In this respect, the study differs from approaches that focus solely on classification accuracy and instead provides a more detailed, interpretable, and generalizable analysis on histopathological images. In particular, the multiclass learning process, which incorporates the eight tumor subtypes of the BreaKHis dataset, enables the model not only to distinguish between benign (iyi huylu) and malignant (kötü huylu) cases but also to learn morphological characteristics specific to each tumor type. The differentiation between benign (iyi huylu) subtypes such as adenosis, fibroadenoma, phyllodes tumor, and tubular adenoma, and malignant (kötü huylu) subtypes such as ductal carcinoma, lobular carcinoma, mucinous carcinoma, and papillary carcinoma demonstrates the model's ability to capture discriminative features at a microscopic level. This constitutes one of the key strengths of the study, distinguishing it from predominantly binary classification-based approaches in the literature. In multiclass classification experiments, the proposed hybrid model successfully distinguished eight tumor subtypes and achieved competitive results compared to the literature. In scenarios without data augmentation, the best result was obtained with a batch size of 32 and 40 epochs, achieving 96.27% accuracy. In scenarios with data augmentation, the highest performance was achieved with a batch size of 64 and 40 epochs, reaching 99.83% accuracy, highlighting the model's strong adaptability to data diversity. Furthermore, the transferability of the learned representations across different datasets demonstrates the model's ability to generalize morphological features, representing a significant original contribution of this study to the literature. Another important methodological contribution of this study is the use of a patient-wise data splitting approach to prevent data leakage. In many studies, datasets are split at the image level, which may result in similar images from the same patient appearing in both training and test sets. This can lead to overestimated performance due to memorization rather than true generalization. In this study, all images belonging to the same patient were assigned exclusively to a single dataset partition. This ensured that the model was evaluated on data from previously unseen patients, leading to more realistic and clinically meaningful results. The relatively lower performance values compared to some studies in the literature can be attributed to this more realistic evaluation strategy.
Benzer Tezler
- Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Utilizing explainable artificial intelligence approaches to transformer based models in medical image analysis
DELAL ŞEKER
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULNASIR YILDIZ
- Kemalpaşa etlik piliç işletmelerinin teknik ve ekonomik yönden incelenmesi
Başlık çevirisi yok
HAYRİ TUNA YÜKSELEN
- Rana ridibunda (anura-ranidae) kompleksi üzerinde morfolojik, serolojik ve ekolojik araştırmalar
Başlık çevirisi yok
HÜSEYİN ARIKAN
- Beyaz yumurtacı yerli otoseks hibritlerin elde edilmesinde ikili ve dörtlü melezleme yöntemlerinin karşılaştırılması
Başlık çevirisi yok
MUSA SARICA