Yazar "Göçer, Atakan" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    Göğüs kanseri sınıflandırmasında yenidenboyutlandırma ve aşırı örneklemenin etkisi
    (Bursa Teknik Üniversitesi, 2025) Göçer, Atakan; Cingiz, Mustafa Özgür
    Meme kanseri, kadınlarda yaygın bir hastalık olup erken evrede tanı konulduğunda sağkalımı anlamlı biçimde arttırmaktadır. Tanı süreci, biyopsiyle alınan doku kesitlerinin boyalarla renklendirilerek ışık mikroskobu altında incelenmesine dayanır. İncelenen kesit alanlarının, slayt tarayıcıları sayesinde dijital ortama aktarılması mümkündür: Cam lam, yüksek çözünürlüklü bir sensör tarafından satır taranır; tarama yazılımı bu satırları mozaikleyerek görüntüleri oluşturur ve patoloğun ekranda yakınlaştırma–kaydırma yapmasına olanak tanır. Bununla birlikte, tümör odaklarının mikrometre ölçeğinde dağılmış olması ve taranan alanın çok genişliği, manuel incelemeyi hem zaman alıcı kılar hem de gözden kaçırma riskini arttırmaktadır. Bu nedenle, patoloğu destekleyen, şüpheli odakları otomatik olarak tespit edip işaretleyebilen bilgisayar destekli tanı sistemlerine ihtiyaç doğmuştur. Günümüzde bu tanı sistemleri kullanılmakta ve sürekli gelişmektedir. Bu sistemlerin başarısı, veriye dayalı yöntemlerin, özellikle derin öğrenmenin, doğru biçimde eğitilmesine bağlıdır. Ancak histopatolojik görüntü kümelerinde genellikle kanser dışı örnekler kanserli örneklere göre çok daha fazla olduğu görülmektedir. Bu sınıf dengesizliği, derin modelleri çoğunluk sınıfını ezberlemeye yöneltmektedir; azınlık durumundaki tümör örneklerinin öğrenilmesi güçleşir ve yanlış kanserli hücre veri tespiti durumu artmış olur. Dahası, bu ham görüntüler giga piksel mertebesinde olabildiğinden, doğrudan model eğitiminde kullanıldıklarında bellek tüketimini yükseltir, işlem zamanını uzatır ve pratikte kullanımı güçleştirir. Dengesizliği azaltmak için aşırı yeniden örnekleme (Oversampling) yöntemleri, kanserli örnekleri yapay (sentetik) olarak çoğaltarak veri dağılımını dengelerken; yeniden boyutlandırma yöntemleri görüntüleri daha küçük ölçeklere indirerek eğitim süresini ve donanım gereksinimini makul düzeye çekmektedir. Ancak, aşırı örnekleme yanlış desenler ekleyebilir, yeniden boyutlandırma ise dokusal ayrıntıları yumuşatarak tanısal bilgide kayba yol açabilir. Bu tez kapsamında, söz konusu iki tekniği birlikte ele alarak bunların uygun kombinasyonlarla ne derece uyumlu çalıştığını ve doğru yapılandırıldığında model doğruluğunu ne ölçüde iyileştirebileceğini sistematik olarak araştırmayı amaçlamaktadır. Çalışma kapsamında açık erişimli göğüs kanseri (IDC) histopatolojik görüntü veri seti kullanılmıştır. Uzman patologlarca etiketlenmiş 50 × 50 piksellik görüntüler, altı farklı aşırı örnekleme stratejisi ve altı ayrı yeniden boyutlandırma tekniği kullanılarak dengeli alt kümeler oluşturulmuştur. Ek olarak, yalnızca yeniden boyutlandırma uygulanmış alt kümeler eklenerek toplamda 42 adet alt küme kullanılmıştır. Oluşturulan alt kümeler, bilindik olarak kullanılan evrişimsel sinir ağı mimarileri ile görüntü dönüştürücü tabanlı yaklaşımların uyarlanmış sürümleri aracılığıyla değerlendirilmiştir. Elde edilen bulgular, kanserli sınıfı sentetik olarak zenginleştirmenin modellerin doğruyu tespitleri öğrenme yeteneğini somut biçimde artırdığını; ayrıntıyı iyi koruyan pürüzsüz yeniden boyutlandırma çekirdekleriyle birleştiğinde bu kazanımın daha da güçlendiğini göstermiştir. Böylece, uygun veri dengeleme ve ölçekleme stratejilerinin bir arada uygulanmasıyla hem evrişimli ağlar hem de dönüştürücü tabanlı yaklaşımlar güvenilir ve pratik bir yardımcı tanı aracı sunma potansiyeline ulaşmıştır.