BREAST CANCER DETECTION USING MICROSCOPIC HISTOPATHOLOGICAL IMAGES: A TRANSFER LEARNING APPROACH

Abstract

Histolojik görüntülerden özelliklerin çıkarılması, bilgisayar destekli meme kanseri tespitinin zorlu bir parçasıdır. Bu çalışma, BreaKhis veri kümesini kullanarak Meme algılama tabanlı aktarım öğrenme yaklaşımının alt türleri için yeni bir derin özellik çıkarma mühendisliği sunmaktadır. Bu yaklaşım beş aşamadan oluşur: özellik çıkarma, birleştirme, dönüştürme, seçme ve sınıflandırma. İlk aşamada, girdi görüntülerinden öznitelik çıkarmak için on dokuz önceden eğitilmiş evrişimsel sinir ağı öznitelik çıkarıcı olarak kullanılmıştır. Bu aşamada kayıp değeri fonksiyonunu hesaplamak için destek vektör makineleri kullanıldı. Sınıflandırma aşamasında sınıflandırıcı olarak kullanılmıştır. Öznitelik çıkarma sonuçlarına göre, iki ağ, diğer ağlardan daha iyi performans göstererek, veri seti üzerinde en yüksek doğruluğa ulaşmıştır. Göz önünde bulundurulan iki ağ, ResNet50 ve DenseNet201 önceden eğitilmiş ağların bir kombinasyonu olan DRNet modelini üretmek için seçilmiş ve birleştirilmiştir. Çıkarılan öznitelikler, dönüşüm aşamasında çok düzeyli ayrık dalgacık dönüşümü kullanılarak beş alt-el düşük düzey özniteliğe ayrıştırılmıştır. Sınıflandırma aşamasında gereken minimum öznitelik sayısını seçmek için yinelemeli komşuluk bileşeni analizi kullanılmıştır. Son aşamada sınıflandırıcı olarak kübik destek vektör makineleri ve k-en yakın komşular kullanılmıştır. k-en yakın komşu 40×, 100×, 200× ve 400× büyütme seviyelerinde sırasıyla %98,74, %97,7, %97,3 ve %98'lik bir ortalama sınıflandırma oranı doğruluğu üretti; burada destek vektör makineleri bir ortalama üretti 40×, 100×, 200× ve 400× büyütme seviyelerinde sırasıyla %98,61, %98,04, %97,68 ve %97,71 sınıflandırma oranı doğruluğu, tek elde tüm ve 10 kat çapraz doğrulama kullanılarak yöntem.

The extraction of features from histological images is a challenging part of the computer-aided detection of breast cancer. This work presents a novel deep feature extraction engineering for subtypes of Breast detection-based transfer learning approach using the BreaKhis dataset. This approach consists of five phases: feature extraction, concatenation, transformation, selection, and classification. In the first phase, nineteen pre-trained convolutional neural networks were utilized as feature extractors to extract features from the input images. Support vector machines were used in this phase to compute the loss value function. In the classification phase, it was used as a classifier. According to the feature extraction results, the two networks attained the highest accuracies on the dataset, outperforming other networks. The two networks considered were chosen and concatenated to produce the DRNet model, a combination of ResNet50 and DenseNet201 pre-trained networks. The extracted features were decomposed into five sub-hand low-level features using a multilevel discrete wavelet transform in the transformation phase. Iterative neighborhood component analysis was utilized to choose the minimum number of features required in the classification phase. Cubic support vector machines and k-nearest neighbors were used as classifiers in the final phase. k-nearest neighbor produced an average classification rate accuracy of 98.74%, 97.7%, 97.3%, and 98% on the 40×, 100×, 200×, and 400× levels of magnification, respectively, where support vector machines produced an average classification rate accuracy of 98.61%, 98.04%, 97.68%, and 97.71% on the 40×, 100×, 200×, and 400× levels of magnification, respectively, using the one-gainst-all and 10-fold cross-validation method.