TİROİT İNCE İĞNE ASPİRASYON BİYOPSİLERİNDE PAPİLLER TİROİT KARSİNOMLARIN METASEZGİSEL TEMELLİ EVRİŞİMSEL SİNİR AĞI İLE TESPİT EDİLMESİ

Abstract

Kanser, insan vücudundaki hücrelerin kontrolsüz bir şekilde büyümesiyle ortaya çıkan ve dünya çapında insan sağlığını tehdit eden oldukça önemli bir hastalık grubudur. Pek çok kanser türü mevcut olmakla birlikte tiroit kanseri en yaygın olan kanser türlerinden birisidir. Tiroit bezinde ortaya çıkan kanserler, tiroit bezinin çalışma fonksiyonunu bozarak ciddi sağlık sorunlarına yol açabilir ve ölümcül olabilir. Bu sebeple, kanserin tedavi edilebilmesi için erken tanı ve teşhis oldukça önemlidir. Son yıllarda bu konuda sürekli olarak çalışmalar yürütülmektedir. Bu çalışmada, tiroit kanserini sınıflandırmak için metasezgisel COOT algoritması ile optimize edilmiş bir evrişimli sinir ağı tabanlı (CNN-Convolutional Neural Network) derin öğrenme modeli olan COOT-CNN modeli önerilmiştir. Sınıflandırma görevlerinde yaygın olarak kullanılan CNN mimarilerinin en önemli zorluklarından biri uygun katman parametrelerinin belirlenerek modelin oluşturulmasıdır. Bu tez çalışmasında, optimizasyon alanında yaygın kullanılan COOT algoritması kullanılarak CNN parametrelerinin optimize edilmesini sağlayan bir yaklaşım sunulmuştur. Bu yöntem efektif bir kodlama şeması ile en uygun katman parametrelerinin belirlenmesini sağlamaktadır. Önerilen COOT-CNN modeli, iki sınıflı tiroit ince iğne aspirasyon biyopsi verilerinin sınıflandırılma problemine uygulanmıştır. Sunulan yaklaşımın başarımı popüler optimizasyon algoritmalarından Partikül Sürü Optimizasyonu (Partical Swarm Optimization, PSO) ve Gri Kurt Optimizasyonu (Grey Wolf Optimization, GWO) tabanlı modellerle karşılaştırılarak değerlendirilmiştir. Deneysel çalışmalar sonucunda, optimize edilmiş katman parametrelerini kullanan COOT-CNN modelinin, PSO ve GWO tabanlı modellere kıyasla daha yüksek doğruluk elde ederek tiroit kanserinin sınıflandırılmasında literatürdeki bilinen geleneksel yöntemlerden daha iyi performans gösterdiği gözlemlenmiştir. COOT-CNN hibrit modeli test verileri üzerinde %92.59'lük bir doğruluk oranı, GWO-CNN modeli %88.89 doğruluk oranı ve PSO-CNN modeli %87.88 doğruluk oranı elde etmiştir. Bu çalışma tiroit kanserinin tespit edilmesi ve kişisel tedavilerin planlanması için makine öğrenme tabanlı yöntemlerin klinik uygulamalarda kullanılmasına önemli bir katkı sağlamıştır.Cancer is a very important group of diseases that occur with the uncontrolled growth of cells in the human body and threaten human health worldwide. Although there are many types of cancer, thyroid cancer is one of the most common types of cancer. Cancers that occur in the thyroid gland can cause serious health problems and can be fatal by disrupting the functioning of the thyroid gland. For this reason, early diagnosis and diagnosis is very important for the treatment of cancer. In recent years, studies on this subject have been carried out continuously. In this study, COOT-CNN model, which is a CNN (Convolutional Neural Network) deep learning model optimised with the metaheuristic COOT algorithm, is proposed to classify thyroid cancer. One of the most important challenges of CNN architectures, which are widely used in classification tasks, is to determine the appropriate layer parameters and build the model. In this thesis, an approach to optimise CNN parameters using the COOT algorithm, which is widely used in the field of optimisation, is presented. This method enables the determination of the most appropriate layer parameters with an effective coding scheme. The proposed COOT-CNN model is applied to the classification problem of two-class thyroid fine needle aspiration biopsy data. The performance of the proposed approach is evaluated by comparing it with popular optimisation algorithms such as Partical Swarm Optimisation (PSO) and Grey Wolf Optimisation (GWO) based models. As a result of the experimental studies, it was observed that the COOT-CNN model using optimised layer parameters outperformed the conventional methods known in the literature in the classification of thyroid cancer by achieving higher accuracy compared to PSO and GWO based models. The COOT-CNN hybrid model achieved an accuracy of 92.59%, the GWO-CNN model 88.89% and the PSO-CNN model 87.88% on the test data. This study has made a significant contribution to the use of machine learning-based methods in clinical applications for detecting thyroid cancer and planning personalised treatments.