SAYISAL PATOLOJİ GÖRÜNTÜLERİNİN ANALİZİNDE YENİLİKÇİ DERİN ÖĞRENME YAKLAŞIMLARININ GELİŞTİRİLMESİ

Abstract

Son zamanların en popüler makine öğrenmesi yöntemlerinden biri olan derin öğrenme; görüntü işleme, ses tanıma, sinyal işleme vb. birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme yöntemleri; insansız hava araçları, robotik, akıllı telefon ve sağlık gibi alanlarda etkili bir şekilde kullanılmaktadır. Özel tarayıcıların geliştirilmesi ve biyopsi işleminin sayısallaştırılması ile bilgisayar destekli teşhis oldukça popüler bir araştırma alanı haline gelmiştir. Bilgisayar ortamında depolanan sağlık verileri gün geçtikçe artmaya devam etmektedir. Bu artan veri miktarına bağlı olarak makine öğrenme yöntemlerinin performansları dikkat çekici bir şekilde iyileştirilmiştir. Derin öğrenme yöntemleri, sayısallaştırılmış görüntüler aracılığıyla uzman kişilerin tanı ve teşhisinde kolaylık sağladığı gibi kanser gibi kritik bir rahatsızlığın otomatik tanısı ve teşhisi için umut olmuştur. Meme kanseri, toplumda en yaygın görünen kanser türlerinden birisidir. Meme kanserinin erken teşhisi hastanın tam tedavi edilebilmesindeki başarı oranını önemli ölçüde artırmaktadır. Meme kanserinin tanı ve teşhisinde histopatolojik görüntüler önemli bir yer almaktadır. Bu tez çalışması kapsamında, meme kanseri histopatolojik görüntülerinin analizi için birtakım yenilikçi derin öğrenme yöntemleri geliştirilmiştir. Tez çalışmasında birden fazla açık erişimli kanser veri seti incelenmiştir. Bu veri setlerinin analizinde kullanılacak çeşitli programlama paketleri oluşturulmuş ve veri setlerinin düzenlenmesi için özel teknikler geliştirilmiştir. Histopatolojik görüntülerin analizlerinin yapılması amacıyla, farklı derin öğrenme modellerinin oluşturulması aşamaları etraflıca ele alınmıştır. Geliştirilen bu modeller için farklı parametreler ve yöntemler denenerek en iyi çözüm elde edilmeye çalışılmıştır. Ön eğitimli bazı popüler derin modellerin, histopatolojik görüntülerin sınıflandırılması ve bölütlenmesi problemindeki performansları değerlendirilmiştir. Bunların yanı sıra, yüksek boyutlara ulaşan sayısal görüntü boyutunun azaltılması ve bu görüntülere ait çok daha düşük boyutlu temsillerin elde edilmesi için yeni bir derin öğrenme modeli sunulmuştur. Böylece sağlık alanındaki yüksek boyutlu sayısal görüntülerin uzak birimlere kolayca aktarılmasına yardımcı olacak yeni bir model sunulmuştur. Ayrıca bu yöntemler sayesinde uzman seviyesinde histopatolojik görüntülerin sınıflandırılması, işaretlenmesi sağlanmıştır.Deep learning, one of the most popular machine learning methods of recent times, has been successfully applied in many areas such as image processing, voice recognition, signal processing. Deep learning methods are used effectively in autonomous aerial vehicles, robotics, smartphones, and medicine. Computer-aided diagnosis has become a trendy research field with the development of special scanners and digitization of the biopsy process. Health data stored in computer environments continues to increase day by day. Due to this increasing amount of data, the performances of machine learning methods have been significantly improved. Deep learning methods, using digitized images, make it easier for experts to diagnose diseases. Also, deep learning is hope for the automatic diagnosis of critical conditions such as cancer. Breast cancer is one of the most common types of cancer in the community. Early diagnosis of breast cancer significantly increases the success rate in the treatment of a patient. Histopathological images play an essential role in the diagnosis of breast cancer. In this thesis, some innovative deep learning methods have been developed to analyze breast cancer using histopathological images. In the thesis study, several open-access cancer datasets were examined. Various programming packages have been created to be used to analyze these datasets, and some novel techniques have been developed to organize the dataset. In order to analyze the histopathological images, the stages of creating different deep learning models are discussed in detail. Various parameters and methods were examined to obtain the best solution with the developed models. The performances of some pre-trained popular deep models in the problem of classification and segmentation of histopathological images were evaluated. In addition to these, a new deep learning model has been presented in order to reduce the size of digital images reaching high dimensions and to obtain many lower-dimensional representations of these images. Thus, it paved the way for helping to easily transfer high-dimensional digital images in the healthcare field to remote units. In addition, thanks to these methods, classification and labeling of histopathological images were provided at an expert level.