DERİN REZİDÜEL AĞLARIN AKCİĞER KANSERİ SINIFLANDIRMADAKİ BAŞARIMI: HİSTOPATOLOJİK GÖRÜNTÜLER ÜZERİNDE İNCELEME
Öz
Akciğer kanseri, dünya genelinde yaygın olarak görülen ve yüksek ölüm oranına sahip kanser türlerinden biridir. Bu hastalığın erken teşhisi, yaşam süresini uzatmak ve tedavi başarısını artırmak açısından hayati önem taşımaktadır. Bu çalışmada, histopatolojik görüntülerden akciğer kanserinin sınıflandırılmasına odaklanılmış ve rezidüel tabanlı modellerin (ResNet18, ResNet34, ResNet50, ResNet50V2, ResNet101, ResNet101V2, ResNet152, ResNet152V2) sınıflandırma üzerindeki başarımı incelenmiştir. Veri seti olarak adenokarsinom, iyi huylu ve skuamöz hücreli karsinom olmak üzere üç sınıf içeren ve her sınıfta 5000 görüntünün olduğu LC25000 veri seti kullanılmıştır. Test edilen modeller arasında ResNet18 %99,90 doğruluk oranı ile en yüksek sınıflandırma performansı göstermiştir. Elde edilen sonuçlar, ResNet tabanlı modellerin karmaşık histopatolojik görüntüleri doğru bir şekilde sınıflandırmada üstün performans sergilediğini ve akciğer kanseri teşhisinde derin öğrenme yöntemlerinin pratik bir çözüm sunabileceğini göstermektedir.
Anahtar Kelimeler
Akciğer Kanseri , Histopatolojik Görüntüler , Sınıflama , ResNet
Kaynakça
- Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A., & Mastorides, S. M. (2019). Lung and colon cancer histopathological image dataset (lc25000). arXiv preprint arXiv:1912.12142.
- Callaghan, R. C., Allebeck, P., & Sidorchuk, A. (2013). Marijuana use and risk of lung cancer: a 40-year cohort study. Cancer Causes & Control, 24, 1811-1820.
- Gautam, N., Ghosh, S., & Sarkar, R. (2024). Cnn models aided with a metaclassifier for lung Carcinoma classification using histopathological images. Multimedia Tools and Applications, 1-25.
- Hamed, E. A. R., Salem, M. A. M., Badr, N. L., & Tolba, M. F. (2023a). An efficient combination of convolutional neural network and LightGBM algorithm for lung cancer histopathology classification. Diagnostics, 13(15), 2469.
- Hamed, E. A. R., Salem, M. A. M., Badr, N. L., & Tolba, M. F. (2023b, March). Lung Cancer Classification Model Using Convolution Neural Network. In The International Conference on Artificial Intelligence and Computer Vision (pp. 16-26). Cham: Springer Nature Switzerland.
- Hatuwal, B. K., & Thapa, H. C. (2020). Lung cancer detection using convolutional neural network on histopathological images. Int. J. Comput. Trends Technol, 68(10), 21-24.
- He, K., Zhang, X., Ren, S., & Sun, J. (2016a). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
- He, K., Zhang, X., Ren, S., & Sun, J. (2016b). Identity mappings in deep residual networks. In Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part IV 14 (pp. 630-645). Springer International Publishing.
- Islam, M., & Tasnim, N. (2020). Human gender classification using transfer learning via Pareto Frontier CNN networks. Inventions 5, 16.
- Kalshetty, R., & Parveen, A. (2023). Abnormal event detection model using an improved ResNet101 in context aware surveillance system. Cognitive Computation and Systems, 5(2), 153-167.