Derin öğrenme algoritmaları ile yumurtalıklarda kanserli hücre tespiti

Abstract

Bu çalışma, yumurtalık kanseri hücrelerini sınıflandırmak amacıyla çeşitli derin öğrenme mimarilerinin (ResNet-50, EfficientNetB0, DenseNet121, MobileNetV2 ve InceptionV3) performanslarını değerlendirmektedir. Her bir model, yumurtalık kanserinin beş farklı alt türüne (Clear Cell, Endometri, Mucinous, Non_Cancerous, Serous) ait veriler kullanılarak eğitildi ve test edildi. Veri seti eğitim, doğrulama ve test olarak üç ana bölüme ayırıldı ve veri artırma teknikleri kullanarak eğitim verisinin çeşitliliğini arttırılmıştır. Modellerin eğitimi sırasında modeller, önceden eğitilmiş ağırlıklarla yüklendi ve üst katmanları çıkarılarak özel sınıflandırıcı katmanlar eklendi. Eğitim sürecinde, sınıf ağırlıkları hesaplamaları, kategorik çapraz entropi kaybı ve ince ayar yöntemleri kullanılarak bu yöntemlerin başarımları da değerlendirilmiştir. Modellerin performansı, başarım grafikleri, sınıf bazlı sonuçlar ve karmaşıklık matrisleri ile gösterilmiş ve doğruluk, hassasiyet, geri çağırma ve F1-skoru metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, ince ayarlı modellerin genellikle daha iyi performans gösterdiğini ve belirli modellerin belirli sınıflar için daha uygun olduğunu göstermektedir. EfficientB0 modelinin tüm sınıflarda yüksek doğruluk oranlarına ulaştığı gözlemlenmiştir. Modelin genel doğruluğu %98,87'ye ulaşmıştır; bu sonuç, kanser sınıflandırmasında önerilen yöntemin umut verici olduğu şeklinde değerlendirilmektedir. EfficientB0 modelinden sonra başarımı en yüksek model ResNet50’dir. ResNet50, yüksek hassasiyet, geri çağırma, F1 skoru ve doğruluk elde ederken, makro ortalama değerleri diğer modellere göre daha yüksektir. Diğer modellerin performansı, bu iki modelin gerisinde kalmaktadır. Bu sonuçlar, ResNet50 ve EfficientB0'un önerilen modeller olarak değerlendirilmesini desteklemektedir. Çalışmanın sonuçları, derin öğrenme modellerinin yumurtalık kanseri sınıflandırması alanında etkin bir şekilde kullanılabileceğini ve gelecekteki çalışmalar için değerli bir rehberlik kaynağı olabileceğini göstermektedir. Bu sonuçlar, daha etkili ve hassas tanı yöntemlerinin geliştirilmesine yönelik önemli bir adım olarak değerlendirilebilir.This study evaluates the performance of various deep learning architectures (ResNet-50, EfficientNetB0, DenseNet121, MobileNetV2, and InceptionV3) for classifying ovarian cancer cells. Each model was trained and tested using data from five different subtypes of ovarian cancer (Clear Cell, Endometrioid, Mucinous, Non_Cancerous, Serous). The dataset was divided into three main parts: training, validation, and testing, with data augmentation techniques employed to increase the diversity of the training data. During the training process, pretrained weights were loaded, the top layers were removed, and custom classifier layers were added. The performance of these methods was evaluated using class weight calculations, categorical cross-entropy loss, and fine-tuning techniques. The models' performance was illustrated with performance graphs, class-based results, and confusion matrices, and assessed using accuracy, precision, recall, and F1-score metrics. The results indicated that fine-tuned models generally performed better and that certain models were more suitable for specific classes. The EfficientNetB0 model achieved high accuracy rates across all classes. The overall accuracy of this model reached 98.87%, suggesting that the proposed method for cancer classification is promising. Following EfficientNetB0, the ResNet-50 model showed the second-highest performance. ResNet-50 achieved high precision, recall, F1 score, and accuracy, with macro-average values higher than those of the other models. The performance of the other models was inferior to these two models. These findings support the consideration of ResNet-50 and EfficientNetB0 as the recommended models. The results of the study demonstrate that deep learning models can be effectively used in the classification of ovarian cancer and can serve as a valuable guide for future research. These outcomes represent an important step towards developing more effective and precise diagnostic methods.