Atıf Sayısı
4
Görüntüleme
32
İndirme
13
Meme kanseri, dünya genelinde kadınlarda, akciğer kanserinden sonra en çok rastlanan kanser türlerinden biridir. Kanserin erken teşhisi ve sınıflandırılması hastaların iyileşme sürecine olumlu etki edebilmektedir. Bu çalışmada, göğüs histopatolojik görüntülerinde kanser tespiti için derin öğrenme yaklaşımları sunulmuştur. Derin öğrenme mimarilerinin başarısı probleme özgü değişebilmektedir. Bu çalışmada, önceden eğitilmiş CNN mimarilerinden, VGG16, Inception-V3 ve iki derin sinir ağın birleşimi olan ağ (VGG16+Inception-V3) kullanılarak sınıflandırma yapılmıştır. Çalışma içerisinde birleştirme ağ yapısı VIHist olarak adlandırılmıştır. Önerilen yaklaşımların performansı, BreakHist veri seti üzerinde incelenmiştir. Tespit için kullanılan görüntüler 40X büyütülmüş görüntü slaytlarıdır. Elde edilen bulgularda, %99.03 başarı ile birleştirme ağ yapısı (VIHist) en yüksek doğruluk oranını vermiştir. Inception-V3 ağı, VGG16 derin sinir ağına göre ~%6 daha üstün performans göstermiştir. Hastalık üzerinde patoloji bilgisine sahip olunmamasına rağmen, önerilen derin öğrenme mimarileri ile hastalık tespitinde %98.3 ± %1 başarı elde edilmiştir. Sonuçlar incelendiğinde, literatürdeki başarılı çalışmalara göre performansın daha yüksek bulunduğu görülmüştür.
Breast cancer is one of the most common types of cancer in women around the world, after lung cancer. Early diagnosis and classification of cancer can have a positive impact on the healing process of patients. In this study, deep learning approaches for the detection of cancer in the histopathological images of the chest were presented. The success of deep learning architectures can change the problem. In this study, pre-trained CNN architectures were classified using VGG16, Inception-V3 and the network (VGG16+Inception-V3), which is a combination of two deep nerve networks. The network structure of combination in the study was called HIVist. The performance of the proposed approaches has been studied on the BreakHist data set. The images used for the detection are 40X enlarged image slides. In the results obtained, 99,03% success in the network structure (VIHist) has given the highest accuracy rate. The Inception-V3 network showed ~6 percent superior performance compared to the VGG16 deep nerve network. Despite the lack of knowledge of pathology on the disease, the recommended deep learning architectures have achieved 98.3 ± 1% success in the diagnosis of the disease. When the results were studied, it was found that the performance was higher than the successful studies in literature.
Breast cancer is one of the most common types of cancer in women worldwide, after lung cancer. Early diagnosis and classification of cancer can positively affect the healing process of patients. In this study, deep learning approaches for cancer detection in chest histopathological images are presented. The success of deep learning architectures may vary depending on the problem. In this study, classification is made using pre-trained CNN architectures, VGG16, Inception-V3, and the network (VGG16 + Inception-V3), which is a combination of two deep neural networks. The concatenate network structure in the study was named as VIHist. The performance of the proposed approaches has been examined on the BreakHist dataset. The images used for detection are 40X magnified image slides. In results, the concatenate network structure (VIHist) gave the highest accuracy rate with 99.03% accuracy. Inception-V3 network showed ~ 6% superior performance than VGG16 deep neural network. Although there is no pathology knowledge on the disease, 98.3% ± 1% accuracy was achieved in the detection of diseases with the proposed deep learning architectures. When the results are examined, it is seen that the performance is higher than the successful studies in the literature.
Alan : Eğitim Bilimleri; Fen Bilimleri ve Matematik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
