MİDE KANSERİNİN YAPAY ZEKA TEKNİKLERİ İLE ANALİZİ

Abstract

Bu tez çalışmasında, mide tümörlerine ait histopatolojik görüntülerin otomatik olarak sınıflandırılması amacıyla farklı özellik çıkarım, boyut indirgeme ve sınıflandırma yöntemlerinin başarımı incelenmiştir. Çalışma kapsamında normal, benign ve malign olmak üzere üç farklı sınıfa ait histopatolojik görüntüler kullanılmıştır. Her bir sınıf için 30 görüntü eğitim, 30 görüntü test verisi olarak ayrılarak sınıflar arasında veri dengesi sağlanmıştır. Özellik çıkarımı aşamasında Hızlandırılmış Sağlam Özellikler (HSÖ) ve Maksimum Durağan Ekstrem Bölgeler (MDEB) yöntemleri kullanılmış; Çıkarılan özellikler, daha kompakt ve ayırt edici bir temsil elde edebilmek amacıyla Temel Bileşenler Analizi (TBA) ve Genelleştirilmiş Diskriminant Analizi (GDA) yaklaşımları doğrultusunda dönüştürülmüştür. İndirgenmiş özellikler, Karar Ağaçları, Rastgele Orman, Yapay Sinir Ağları ve Naive Bayes sınıflandırıcıları ile değerlendirilmiştir. Özellik sayısı 1 ile 50 arasında kademeli olarak artırılarak yöntemlerin farklı boyutlardaki performansları analiz edilmiştir. Elde edilen sonuçlar, sınıf bilgisini dikkate alan boyut indirgeme yöntemleri ile güçlü sınıflandırıcıların birlikte kullanılması durumunda sınıflandırma doğruluğunun anlamlı biçimde arttığını göstermiştir. Özellikle MDEB–GDA tabanlı yöntemlerin, benign ve malign sınıflar arasındaki ayrımı daha başarılı biçimde gerçekleştirdiği gözlemlenmiştir. Bu çalışma, geliştirilen yaklaşımın bilgisayar destekli tanı sistemleri için güvenilir bir ön değerlendirme aracı olabileceğini ortaya koymaktadır.

In this thesis, the performance of different feature extraction, dimensionality reduction, and classification methods was investigated for the automatic classification of histopathological images of gastric tumors. The study utilized histopathological images belonging to three classes: normal, benign, and malignant. For each class, 30 images were used for training and 30 images for testing, ensuring class balance and enabling a fair performance comparison. Feature extraction was performed using Accelerated Robust Features (ARF) and Maximally Stable Extremal Regions (MSER). The extracted features were transformed using Principal Component Analysis (PCA) and Generalized Discriminant Analysis (GDA) approaches in order to obtain a more compact and discriminative representation. The reduced feature sets were evaluated using Decision Trees, Random Forest, Artificial Neural Networks, and Naive Bayes classifiers. The number of features was gradually increased from 1 to 50 to analyze the behavior of the methods under different feature dimensionalities. The experimental results demonstrated that combining class-aware dimensionality reduction techniques with powerful classifiers significantly improves classification accuracy. In particular, MSER–GDA-based approaches provided more effective discrimination between benign and malignant tumor classes. The findings indicate that the proposed methodology has strong potential to serve as a reliable component in computer-aided diagnosis systems.