KOLON KANSERİ HASTALIĞI GÖRÜNTÜLERİNİN DERİN ÖĞRENME YAKLAŞIMI KULLANILARAK ANALİZİ

Abstract

Kolon kanseri, dünya genelindeki kanser nedeniyle ölümler sıralamasında üçüncü sırada yer almaktadır. Kolon kanserinin erken teşhisi, hastalığın etkili bir şekilde kontrol edilmesi açısından büyük önem taşımaktadır. Son yıllarda, Derin Öğrenme (Deep Learning, DL) teknolojisinde önemli ilerlemeler kaydedilmiş ve bu teknoloji kanser türleri üzerinde tespit, teşhis, sınıflandırma, bölütleme ve tahminleme alanlarında sıkça kullanılmaktadır. Bu çalışmada, DL yaklaşımları arasında görüntü işleme alanında sıkça tercih edilen bir sinir ağı olan Evrişimli Sinir Ağları (Convolutional Neural Networks, CNN) kullanılarak histopatolojik kolon doku görüntü örneklerinin kanserli ya da normal olarak sınıflandırılması gerçekleştirilmiştir. Kullanılan veri seti açık kaynaklardan elde edilmiş olup, DL modellerinde eğitim ve test amaçlı kullanılmak üzere rasgele yöntemle ayrılmıştır. Hazırlanan görüntü verileri AlexNet, GoogLeNet, ResNet50, ResNet101 ve Xception gibi güncel DL algoritmaları tarafından kanserli ya da normal olarak sınıflandırılmıştır. DL algoritmalarının performans ölçümlerinde doğruluk, duyarlılık, özgüllük ve F1 skoru gibi parametreler kullanılmıştır. Elde edilen sonuçlara göre, AlexNet ile %99,73, GoogLeNet ile %99,9, ResNet50 ile %99,93, ResNet101 ile %99,87 ve Xception ile %99,93 doğruluk oranlarına ulaşılmıştır. Bu sonuçlar, kolon kanseri teşhisi ve sınıflandırılmasında kullanılan modellerin faydalı olabileceğini göstermektedir.

Colon cancer ranks third in deaths due to cancer worldwide. Early diagnosis of colon cancer is of great importance in effective controlling of the disease. In recent years, significant advances on Deep Learning (DL) technology have been carried out, and this technology might be frequently used in the fields of detection, diagnosis, classification, segmentation and prediction on types of cancer. In this study, histopathological colon tissue image samples were classified as cancerous or normal by using Convolutional Neural Networks (CNN), which is a neural network frequently preferred in the field of image processing among DL approaches. The data sets used in this study were obtained from the open sources and were randomly divided in order to train and test in DL models. The prepared image data were classified as cancerous or normal using current DL algorithms such as AlexNet, GoogLeNet, ResNet50, ResNet101 and Xception. The parameters of accuracy, sensitivity, specificity and F1 score were used in measuring of the performance of DL algorithms. As a result, accuracy rates of AlexNet, GoogLeNet, ResNet50, ResNet101, and Xception were 99.73%, 99.9%, 99.93%, 99.87% and 99.93%, respectively. These results indicate that the models used in this work may be useful in colon cancer diagnosis and classification.