Meme kanserinin histopatolojik görüntüler üzerinde derin sinir ağları kullanılarak bilgisayar destekli otomatik tespiti

Abstract

Günümüzde kadınlar arasında en sık görülen kanser türü meme kanseridir ve akciğer kanserinden sonra oldukça yüksek bir ölüm oranına sahip olarak ikinci sırada yer alır. Geç tespit durumunda ise meme kanseri tedavisi oldukça zor bir duruma gelmektedir. Meme kanserinin tespiti için çeşitli yöntemler bulunmasına karşın halen yardımcı tespit ve tedavi yöntemlerine olan ihtiyaç önem arz etmektedir. Bu çalışmada meme kanserinin histopatolojik görüntülerde tespiti için derin sinir ağları kullanılarak bir model önerilmiştir. Kullanılan veriseti 40X, 100X, 200X ve 400X yakınlaştırma oranlarına sahip ve toplamda 7909 adet histopatolojik görüntü içeren BreakHis’tir. Önerilen derin sinir ağı modelinde DenseNet201, Inception V3, ResNet50 ve Xception olmak üzere dört farklı ön-eğitimli ağ kullanılarak daha başarılı sonuçlar elde edilmesi sağlanmıştır. Kullanılan ön-eğitimli ağların çalışma mimarileri incelenmiş ve başarılı ağların neden daha iyi oldukları saptanmıştır. Modellerin başarımlarını daha da artırmak amacıyla bırakma, veri artırma, test zamanı veri artırımı ve yığın normalizasyonu yöntemleri kullanılmıştır. Her bir ön-eğitimli ağın farklı yakınlaştırma oranlarında elde ettiği başarımlar farklı performans ölçütleri (doğruluk, F1-skor, eğri altındaki alan) ve grafiksel doğruluk değeri vasıtasıyla incelenmiştir. Ön-eğitimli ağların karmaşıklık matrisleri çıkarılmış ve verisetinde bulunan görüntülere yaptıkları tahminler doğru veya yanlış olarak ayırt edilebilmiştir. Yapılan gözlem ve incelemeler neticesinde Xception ağı ile elde edilen sonuçların diğer ağlara oranla daha başarılı olduğu görülmüştür. Xception ağı ile 200X yakınlaştırma oranında gerçekleştirilen deneysel çalışmalarda, hem diğer ağlara göre hem de diğer yakınlaştırma oranlarına göre en başarılı sonuçlara ulaşılmış ve %98.01’lik bir doğruluk skoru, %98.21’lik bir hassasiyet değeri ve %98.92’lik bir hatırlama değeri elde edilmiştir. Xception ağının 200X yakınlaştırma oranındaki ROC (Receiver Operating Characteristic) eğrisi altındaki alan değeri ise 0.975 olarak hesaplanmıştır. Xception ağının rastgele seçilen 200X yakınlaştırma oranına sahip histopatolojik görüntüler üzerindeki tahminleri ve gerçek sonuçlar karşılaştırılmıştır. Sonuç olarak bu veriseti özelinde 100X yakınlaştırma oranında DenseNet201, 200X yakınlaştırma oranında InceptionV3, 200X ve 400X yakınlaştırma oranlarında ise Xception ağı daha başarılı sonuçlar ortaya koymuştur.Today, breast cancer is the most common type of cancer among women and ranks second after lung cancer with a very high mortality rate. In case of late detection, breast cancer treatment becomes very difficult. Although there are various methods for the detection of breast cancer, the need for additional detection and treatment methods/tools is still important. In this study, a model using deep neural networks is proposed for the detection of breast cancer on histopathological images. The used dataset is BreakHis, which has 40X, 100X, 200X and 400X magnification ratios and contains 7909 histopathological images in total. In the proposed deep neural network model, successful results were obtained using four different pre-trained networks such as DenseNet201, Inception V3, ResNet50 and Xception. The architectures of the used pre-trained networks were examined and it was determined why successful networks were better. Dropout, data augmentation, test time data augmentation and batch normalization methods were used to further increase the performance of the models. The performances of each pre-trained network at different magnification ratios were examined by different performance criteria (accuracy, F1 score, area under curve) and graphical accuracy value. The confusion matrices of the pre-trained networks were achieved and the predictions realized on the images in the dataset as true or false. As a result of experimental results, it was seen that the results obtained with the Xception network are more successful than the other networks. In the experimental studies performed with the Xception network at 200X magnification ratio, the most successful results were obtained compared to other networks and other magnification ratios, and an accuracy score of 98.01%, a sensitivity value of 98.21% and a recall value of 98.92% were obtained. The area value under the ROC (Receiver Operating Characteristic) curve at 200X magnification ratio of the Xception network was achieved as 0.975. The predictions and actual results of the Xception network on histopathological images with a randomly selected 200X magnification ratio were compared. As a result, it was denoted that more successful results were obtained in DenseNet201 at 100X magnification ratio, InceptionV3 at 200X magnification ratio, Xception network at 200X and 400X magnification ratios for this dataset