Meme Kanserinin Evrişimsel Sinir Ağı Modelleriyle Tespitinde Farklı Görüntü Büyütme Oranlarının Etkisi

Year 2020, Volume: 10 Issue: 2, 186 - 194, 27.12.2020

Ali Narin

Abstract

Meme kanseri, tüm dünyada oldukça yaygın olan bir kanser türüdür. Çoğunlukla kadınlarda görülen bu kanser türünün erken
tespiti oldukça önemlidir. Bu nedenle zorlu ve yorucu olan meme kanseri tespit sürecinde bilgisayar destekli karar mekanizmalarının
geliştirilmesi önem arz etmektedir. Bu çalışmada, meme kanseri tespitinde kesin tanının konulmasına yardımcı olmak için bilgisayar
tabanlı otomatik bir karar destek sistemi tasarlanmıştır. Sistem için, farklı büyütme miktarlarına sahip gerçek ham histopatolojik
görüntüler kullanılmıştır. Bu görüntülerden hangisinin iyi huylu tümör hangisinin kötü huylu tümör olduğuna ön eğitimli ResNet50
evrişimsel sinir ağı (Convolutional Neural Network (CNN)) ve ön eğitimsiz VGG16 CNN kullanılarak karar verilmiştir. Bununla
beraber veri setindeki 4 farklı büyütme oranlarından (40X, 100X, 200X, 400X) hangi büyütme miktarında daha iyi tespit yapıldığı
araştırılmıştır. Sonuç olarak 200X büyütme miktarına sahip veriler için %93,03 doğruluk, %93,03 hassaslık ve %93,03 seçicilik
performans değerleri ön eğitimli ResNet50 CNN ile tespit edilmiştir. Benzer şekilde ön eğitimsiz VGG16 modelinde ise %93,03
doğruluk, %99,28 hassaslık ve %79,03 seçicilik değerlerine ulaşılmıştır. Elde edilen bu sonuçlara göre, önerilen bu sistemin patologlara
yardımcı bir bilgisayar tabanlı tümör tespit uygulaması olacağı düşünülmektedir.

Keywords

VGG16, Derin öğrenme, Meme kanseri, Ön eğitimli ResNet50

The Effect of Different Image Magnification Rates in the Detection of Breast Cancer with Convolutional Neural Network Models

Abstract

Breast cancer is a very common form of cancer all over the world. Early diagnosis and detection of this type of cancer, which is mostly
seen in women, is very important. Therefore, it is significant to develop computer-aided decision mechanisms in the difficult and
laborious breast cancer detection process. In this study, an automated computer based decision support system has been designed to
help for the diagnosis of breast cancer. For the system, real raw histopathological images with different magnifications have been used.
Whichever of these images are benign or malignant tumors has been decided using the pre-trained ResNet50 Convolutional Neural
Network (CNN) and VGG16 CNN. However, it has been investigated which magnification amount has been determined better from
4 different magnification rates (40X, 100X, 200X, 400X) in the data set. As a result, 93.03% accuracy, 93.03% sensitivity and 93.03%
specificity performance values for 200X magnification data have been determined with the pre-trained Resnet50 CNN. Similarly,
93.03% accuracy, 99.28% sensitivity and 79.03% specificity values have been achieved in the VGG16 model without pre-trained.
According to these obtained results, it is thought that this proposed system will be a computer-based tumor detection application to
assist pathologists.

Keywords

Deep learning, Breast cancer,, Pre-trained ResNet50, VGG16

References

• Al Rahhal, MM. 2018. Breast cancer classification in histopathological images using convolutional neural network. Int. J. Adv. Comput. Sci. Appl. 9(3): 1-5. Doi: 10.14569/ IJACSA.2018.090310
• Bayramoglu, N., Kannala, J., Heikkilä, J. 2016. Deep learning for magnification independent breast cancer histopathology image classification. 23rd International conference on pattern recognition (ICPR), pp: 2440-2445. Doi: 10.1109/ ICPR.2016.7900002
• Deniz, E., Şengür, A., Kadiroğlu, Z., Guo, Y., Bajaj, V., Budak, Ü. 2018. Transfer learning based histopathologic image classification for breast cancer detection. Health Inf. Sci. Syst. 6(18): 1-7. Doi: 10.1007/s13755-018-0057-x
• DeSantis, CE., Ma, J., Gaudet, MM., Newman, LA., Miller, KD., Goding Sauer, A., Siegel, RL. 2019. Breast cancer statistics, 2019. Cancer J. Clin. 69(6): 438-451. Doi: 10.3322/ caac.21583
• Duda, RO., Hart, PE., Stork, DG. 2001. Pattern classification, John Wiley and Sons, 2nd edt, New York, USA, 255 pp.
• George, M., Zayed, H., Roushdy, I., Elbagoury, M. 2014. Remote computer-aided breast cancer detection and diagnosis system based on cytological images. IEEE Syst. J. 8(3): 949- 964. Doi: 10.1109/JSYST.2013.2279415