Research Article

Akciğer ve Kolon Kanseri Histopatolojik Görüntülerinin Geliştirilmiş Sınıflandırılması İçin VericiNetB7 Tabanlı Derin Öğrenme Çerçevesi

DOI:

10.3791/68812

⸱

February 6th, 2026

 ,  ,  ,  ,  , 
1Department of CSE, MIT School of Computing, MIT Art, Design and Technology University, 2Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), 3School of Science, Engineering and Environment, University of Salford, 4Centre for Research Impact and Outcome, Chitkara University, 5Department of Information Systems, College of Computer and Information Science, Princess Nourah bint Abdulrahman University, 6Department of Informatics and Computer Systems, College of Computer Science, King Khalid University, 7Center for Artificial Intelligence, King Khalid University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, akciğer ve kolon kanseri histopatolojik görüntülerinin kesin sınıflandırılması için EfficientNetB7 modeline sahip bir derin öğrenme sistemi sunuyoruz. Model, ön işleme, veri artırma ve transfer öğrenme uygulamalarıyla %96 doğruluk kazandı. Bu yöntem, klinik kanser teşhisine yardımcı olma konusunda yüksek bir potansiyele sahiptir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Akciğer kanserinin erken teşhisi, hastaların tedavisinin ve hayatta kalmasının iyileştirilmesinde kritik rol oynar. Bu durum klinik araştırmalarda önemli bir odak noktası olarak kalmaktadır. Yapay zeka (AI), tanı doğruluğunu ve verimliliğini önemli ölçüde artırarak patolojiyi dönüştürmüştür. Bu çalışma, kolon ve akciğer dokusu histopatolojik görüntülerini %96 kadar yüksek doğrulukla sınıflandırmak için önceden eğitilmiş EfficientNetB7 modeli şeklinde sağlam bir derin öğrenme modeli sunmaktadır. Modelin performansı, gelişmiş ön işleme yöntemleri, ince ayar ve alana özgü veri artırma teknikleriyle optimize edildi. Bu stratejiler, sınıf dengesizliği ve ince histolojik farklılıklar gibi sorunları azaltmaya yardımcı olur. Aşırı uyum sorununu çözmek için birden fazla veri artırma tekniği birleştirildi ve erken durdurma kriterleri getirildi. Bu yaklaşım, verimli ve maliyet etkin eğitimi mümkün kıldı. Modelin sağlam doğrulanması, klinik uygulamalar için yüksek fayda sağlamaktadır ve patologların zamanında ve doğru tanı koymasını sağlar. Gelişmiş derin öğrenme modellerinin tıbbi görüntüleme iş akışlarına entegre edilmesi, erken ve doğru kanser teşhisi için büyük umut vaat ediyor ve nihayetinde hasta sonuçlarını iyileştiriyor.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Akciğer ve kolon kanseri, ölüm oranı açısından dünyada en yaygın kanserler arasındadır. Akciğer kanseri yılda 1,8 milyondan fazla ölümle önde gelen ölümcül kanserdir; ardından kolon kanseri en çok görülen üçüncü kanser ve kanser ölümünün ikinci en yaygın nedeni olarak takip edilmektedir. Doğru ve erken teşhis, bu kanserlerin etkili tedavisi ve daha iyi hayatta kalma için hayati öneme sahiptir. Histopatolojik muayene veya patologlar tarafından doku örneklerinin mikroskobik değerlendirilmesi, kanseri tespit etmenin en yaygın yöntemlerinden biriolmaya devam etmektedir 1. Şekil 1 , çeşitli akciğer ve kolon dokularının histopatolojik örneklerinigöstermektedir 2.

figure-introduction-1
Şekil 1: Veri setinden örnek görüntüler. Bu şekil, LC25000 veri setindeki her sınıftan temsili örnekleri göstermekte olup, iyi huylu ve kötü huylu akciğer ve kolon dokusu görüntüleri arasındaki görsel çeşitliliği vurgulamaktadır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Dijital patoloji, histoloji slaytlarını dijitalleştirebilmesini sağlayarak sektörü dönüştürdü; bu slaytlar artık gelişmiş derin öğrenme algoritmalarıyla teşhisedilmektedir 3. Derin öğrenme modelleriyle birleşince, algoritmalar büyük verideki ince kalıpları tanımakta çok iyidir ve bu da teşhisin doğruluğunu ve verimliliğini önemli ölçüde artırır. Tablo 1 , her doku sınıfının tanımını göstermektedir.

Sınıf AdıTanım
Akciğer İyi DokusuAkciğerlerdeki kanser olmayan dokular, kanserli büyümede yer almıyor.
Akciğer AdenokarsinomuBezler epitel dokusundan kaynaklanan ve kötü huylu büyüme desenleriyle bilinen bir akciğer kanseri türü.
Akciğer Skuamöz Hücre KarsinomuHava yollarını kaplayan skuamoz hücrelerden kaynaklanan belirli bir hücresel morfolojiyle ayırt edilen bir akciğer kanseri türü.
Kolon adenokarsinomuKolon kanserinin çoğu oluşumu, kolon tabakasının bez hücrelerinde başlayan yaygın bir kolon kanseri türünden kaynaklanır.
Kolon İyi DokusuKolonda kanserli veya kanser öncesi durumlara dair herhangi bir belirti göstermeyen sağlıklı dokular.

Tablo 1: Veri setindeki beş doku ve kanser sınıfının genel bir özeti; sınıf adları, özellikleri ve her sınıftaki görüntü sayısı dahil olmak üzere.

EfficientNetB7, öncü bir konvolüsyon sinir ağı mimarisi olup, derinlik, genişlik ve çözünürlükte dengeli ölçeklendirme sayesinde görüntü sınıflandırma görevlerinde özellikle etkili olarak tanımlanmıştır. ResNet ve DenseNet gibi yaygın kullanılan mimarilerle karşılaştırıldığında, EfficientNetB7, ağ derinliği, genişliği ve çözünürlüğü orantılı olarak ölçekleyen bileşik ölçeklendirme sayesinde sınıflandırma doğruluğu ile hesaplama verimliliği arasında üstün bir denge sağlar. ResNet ve DenseNet, tıbbi görüntü sınıflandırma görevlerinde güçlü performans sergilemiş olsa da, genellikle karşılaştırılabilir doğruluğa ulaşmak için daha yüksek parametre sayısı ve daha fazla hesaplama kaynağı gerektirir; bu da EfficientNetB7'yi kaynak kısıtlı klinik ortamlarda büyük ölçekli histopatolojik analiz için daha uygunkılar 4. EfficientNetB7 gibi yapay zeka araçları dahil olmak üzere gelişmiş hesaplamalı modellerin uygulanması, geleneksel tanı zorluklarının üstesinden gelmek için yeni olanaklar sunar; patologları destekleyen ve potansiyel olarak tanı sonuçlarını iyileştiren araçlar sunar. Patoloji pratiğine yapay zekanın entegre edilmesi, kaliteli tanı hizmetlerine erişimi demokratikleştirebilir ve sınırlı tıbbi uzmanlığa sahip bölgelerin ileri tanı işlemlerini gerçekleştirmesini mümkün kılar.

Son dönemdeki kıyaslama çalışmaları ve tıbbi görüntü analizindeki kapsamlı incelemeler, derin öğrenme mimarilerinin histopatolojide artan etkisini süreklivurgulamıştır. Büyük ölçekli analizler, konvolüsyon sinir ağları ve modern varyantlarının, birden fazla doku tipinde ince morfolojik özellikleri belirlemede en son performans sağladığını ve çoğu zaman geleneksel tanı yöntemlerini aştığını göstermiştir. Karşılaştırmalı değerlendirmeler, EfficientNet ve diğer ölçeklenebilir modeller dahil gelişmiş mimarilerin yalnızca üstün sınıflandırma doğruluğu sağlamakla kalmayıp aynı zamanda gelişmiş hesaplama verimliliğigösterdiğini vurgular 6. Ayrıca, dijital patolojinin sistematik incelemeleri, tekrarlanabilirliği mümkün kılarak, gözlemciler arası değişkenliği azaltarak ve otomatik boru hatlarıyla entegrasyonu sağlayarak rutin tanılamadaki dönüştürücü rolünü vurgular. Bu toplu bulgular, histopatolojik kanser sınıflandırması için ileri derin öğrenme modellerinin benimsenmesinin önemini doğruluyor ve ölçeklenebilir ve verimli mimarilerin uygulanmasının sınıf dengesizliği, histolojik değişkenlik ve uzman patologların sınırlı bulunabilirliği gibi klinik zorlukları ele alabileceğine dair güçlü kanıtlar sunmaktadır.

Bu araştırmanın amaçları (i) EfficientNetB7 mimarisine dayalı akciğer ve kolon kanseri histopatoloji görüntülerinin kategorize edilmesi için derin öğrenme modeli oluşturmak ve değerlendirmek; (ii) Modelin yüksek sınıflandırma doğruluğu sağlama yeteneğini göstermek, geleneksel tanı yöntemlerini potansiyel olarak aşmak; (iii) Veri artırma, ön işleme teknikleri ve transfer öğreniminin model performansı üzerindeki etkisini alan özeli bağlamda incelemek.

Bu çalışma, EfficientNetB7 ile histopatolojik görüntülerde elde edilebilecek yüksek tanı doğruluğunu göstermekle kalmıyor, aynı zamanda sınıf dengesizliği ve aşırı uyum gibi temel zorlukları hedefli veri artırma, sağlam doğrulama stratejileri ve erken durdurma teknikleriyle titizlikle ele alıyor. Metodoloji, büyük ölçekli, artırılmış veri setleri kullanarak ve modelin performansını klinik olarak ilgili metriklerde kıyaslayarak gerçek dünya klinik ortamlarını yansıtmak üzere özel olarak tasarlanmıştır. İş akışının otomasyonu ve verimliliği, sistemin dijital patoloji laboratuvarlarına entegre edilmesi için pratik olmasını sağlar; patolog verimliliğini artırma, tanı tutarlılığını iyileştirme ve hem yüksek kaynaklı hem de kaynak sınırlı klinik ortamlarda uzman düzeyinde analizlere daha geniş erişim imkanı sunar.

Tıbbi görüntüleme için derin öğrenmede kayda değer ilerlemelere rağmen, akciğer ve kolon kanseri histopatolojik görüntülerin sınıflandırılmasında çeşitli zorluklar hâlâdevam etmektedir 7. Mevcut modeller, bazı kanser türlerinin veri setlerinde yeterince temsil edilmeyebildiği ve önyargılı tahminler oluşturabileceği sınıf dengesizliğiyle başa çıkma eğilimindedir. Ayrıca, adenokarsinom ve akciğerin skuamöz hücreli karsinomu gibi kanser alt tipleri arasındaki ince histolojik farklılıklar, doğru sınıflandırma için ciddi bir meydan okuma oluşturur. Önceki çalışmaların çoğu tek kanser sınıflandırması veya sınırlı küçük veri setleriyle yapılmış olup, klinik ortamda geniş uygulanabilirlik ve faydayı engellemektedir. Geleneksel yaklaşımlar da hesaplama açısından daha az verimlidir, bu nedenle büyük veri veya gerçek zamanlı klinik uygulamalar için daha az arzu edilir8.

Mevcut çalışma, kanıtlanmış ölçeklenebilirlik ve etkinliği olan son teknoloji derin öğrenme modeli olan EfficientNetB7 mimarisinden yararlanarak bu boşlukları kapatıyor. Rastgele zoomlar, flipler, dönüşler ve kaydırmalar, modelin dayanıklılığını ve genelleme yeteneğini farklı histopatolojik desenler üzerinde en üst düzeye çıkarmak için gelişmiş veri artırma yöntemleri olarak kullanılır. Transfer öğrenme ayrıca, önceden eğitilmiş EfficientNetB7 modelinin akciğer ve kolon kanseri veri setlerine özgü bir şekilde öğrenme ve uyum sağlayabilmesi ve eğitim süresi ile hesaplama maliyetini en aza indirebilmesi için de kullanılır9. Küresel ortalama havuzlama ve erken durma kullanımı, modelin iyi eğitim sağlama ve aşırı uyumdan kaçınma performansını da artırır.

Derin öğrenmenin tıbbi görüntülemede, özellikle kanser teşhisi için uygulanması, son birkaç yılda büyük ilerleme kaydetmiştir. Akciğer ve kolon kanserinin geleneksel teşhisi esas olarak histopatolojik muayeneye dayanır; patologlar doku örneklerini mikroskop altındainceler. Etkili olmasına rağmen, emek yoğundur, gözlemciler arası değişkenliğe açıktır ve genellikle özellikle kaynak kısıtlı ortamlarda uzman patologların sınırlı bulunmasıyla sınırlıdır. Bu sınırlamalar, bilgisayarlı yapay zeka ve derin öğrenme tabanlı tanı sistemlerinin geliştirilmesine yol açmıştır.

Derin öğrenme modelleri, özellikle konvolüsyon sinir ağları (CNN'ler), histopatolojik örneklerin görüntü analizinde etkileyici bir başarıelde etmiştir 11. Özellikle karmaşık desenleri ve ince doku morfolojisi varyasyonlarını tanımlamada iyidirler; bu görevler kanser sınıflandırması için uygundur. İlerlemeye rağmen, sınıf dengesizliği, çoklu veri seti senaryolarında sınırlı genelleme ve mevcut yaklaşımlarda yüksek hesaplama maliyetleri gibi eksiklikler devam etmektedir. Örneğin, çalışmaların çoğu tek kanser sınıflandırmasıyla ilgilidir; bu sınıflandırma kullanımını çoklu kanser teşhisi senaryolarıyla sınırlandırır. Ayrıca, kötü ön işleme ve veri artırma teknikleri, özellikle küçük veya dengesiz veri seti senaryolarında aşırı uyum sağlamaya açık hale getirir.

Transfer öğrenmesindeki son gelişmeler, ImageNet gibi büyük ölçekli veri setlerinde önceden eğitilmiş modellerden yararlanarak bu sınırlamaları kısmen aşmıştır. EfficientNet, ResNet ve DenseNet, sınırlı miktarda eğitim verisinden yüksek seviyeli özellikler öğrenebildikleri için tıbbi görüntü analizinde dikkat çekenmodellerden bazılarıdır. EfficientNet, çeşitli görüntü sınıflandırma kıyaslamalarında son teknoloji doğruluğu sağladığı için ölçeklenebilirliği ve verimliliği nedeniyle yaygın olarak benimsenmiştir. EfficientNet'in birleşik akciğer ve kolon kanseri sınıflandırmasındaki uygulaması, özellikle sınıf dengesizliği ve ince histolojik varyasyonların ele alınması açısından kapsamlı bir şekilde araştırılmamıştır13.

Veri artırma, model dayanıklılığı ve genelleştirme iyileştirmesi için kritik bir stratejiolmuştur 14. Döndürme, kaydırma, yakınlaştırma ve çevirme gibi varyasyonları dahil ederek, veri artırma teknikleri gerçek histopatolojik görüntülerde var olan değişkenliği simüle eder ve modellerin değişmez özellikleri öğrenmesini sağlar. Erken durdurma ve düzenleme teknikleri, aşırı uyum sağlama ve eğitim verimliliğini maksimize ederek model performansını daha da artırır. Tüm bu gelişmelere rağmen, çoklu kanser sınıflandırması için yüksek doğruluk ve hesaplama verimliliği sağlamak için gelişmiş ön işleme, artırma ve transfer öğrenimini benimseyen uçtan uca çerçevelere ihtiyaç var. Tablo2 15,16,17,18,19,20,21,22,23,24 çalışmanın mevcut literatürden alınan literatürlerini göstermektedir.

ÇalışmaAmaç
Talukder, M. A. ve ark.15 (2022)Kolon ve akciğer kanserini belirlemek için derin öğrenme ve makine öğrenimini birleştiren hibrit bir topluluk özellik çıkarma modeli sunuluyor.
Attallah, O. ve ark.16 (2022)Akciğer ve kolon kanserlerini erken tespit etmeye yardımcı olmak için çeşitli modelleri ve dönüşüm tekniklerini birleştiren düşük ağırlıklı bir derin öğrenme çerçevesi sunmak.
Hage Chehade, A. ve ark.17 (2022)Farklı akciğer ve kolon dokularını tanıyabilen makine öğrenimi tabanlı bilgisayar destekli bir tanı sistemi oluşturun.
Wahid, R. R. ve ark.18 (2023)Akciğer ve kolon kanserlerini tespit etmek için CNN'lerle birlikte bilgisayar destekli bir tanı sistemi kullanın.
Kumar, N. ve ark.19 (2022)Kolon ve akciğer kanserini kategorize etmek için kullanılan özellik çıkarma tekniklerini karşılaştırın ve karşılaştırın.
Mehmood, S. ve ark.20 (2022)Akciğer ve kolon kanserleri için hem doğru hem de verimli olan, değiştirilmiş katmanlı tanı modeliyle önceden eğitilmiş bir sinir ağı oluşturun.
Zhou, L. ve ark.21 (2024)Biyoinformatik yöntemlerle akciğer, mesane ve kolon kanseri tedavisinde Wogonin (WOG) için yeni hedefler tahmin edin.
Reddy, K. R. ve ark.22 (2022)Kolon kanseri (LCC) tespiti için makine öğrenimine dayalı hibrit bir topluluk özellik çıkarma yöntemi sunmak.
Shandilya, S., Nayak, S. R.23 (2022)CNN'ler ve görme transformatörü tasarımı, akciğer ve kolon kanseri histopatoloji görüntülerini sınıflandırmaya yardımcı olur.
Hasan, M. ve ark.24 (2023)Birçok CNN modeli kullanılarak, akciğer ve kolon kanseri görüntülerini sınıflandırarak tanı prosedürlerini geliştirir.

Tablo 2: Histopatolojik görüntü sınıflandırması üzerine ilgili önceki ilgili çalışmaların karşılaştırılması, kullanılan veri setlerini, model türlerini ve rapor edilen sonuçları detaylandırma.

Bu makale, EfficientNetB7 mimarisini kullanan derin öğrenme modelini entegre ederek bu katkıları geliştirerek, son teknoloji veri artırma ve transfer öğrenimiyle desteklenmektedir. Mevcut çözüm, gelişmiş sınıflandırma doğruluğu, sınıf dengesi ve daha düşük hesaplama maliyeti sayesinde önceki çözümlerin kusurlarını geride bırakıyor ve bu nedenle klinik ortamda kullanım için en uygun çözümdür.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, insan katılımcılar veya hayvanlar üzerinde doğrudan deney yapılmamıştır. Tüm çalışmalar, tanımlanabilir hasta bilgisi veya insan dokusunun doğrudan ele alınması içermeyen kamuya açık olan, anonimleştirilmiş LC25000 histopatolojik görüntüler veri seti kullanılarak gerçekleştirildi. Kurumsal İnceleme Kurulu (IRB) veya Kurumsal Hayvan Bakım ve Kullanım Komitesi (IACUC) onayı gerekmiyordu. Tüm prosedürler etik standartlara uygun ve veri setinin akademik araştırma kullanım şartlarına uyuyordu. Şekil 2, iş akışı diyagramının adımlarını göstermektedir.

figure-protocol-1
Şekil 2: Önerilen yöntemin iş akışı. İş akışı, veri ön işleme, artırma, model eğitimi ve değerlendirmeyi içerir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Veri seti açıklaması
Bu çalışma için LC25000 veri seti kullanıldı. 25.000 histopatolojik görüntüden oluşuyordu ve hepsi JPEG dosyaları olarak eşit biçimlendirilmiş, 768 × 768 piksel çözünürlükteydi. Veri seti, 250 iyi huylu akciğer dokusu görüntüsü, 250 akciğer adenokarsinomu, 250 akciğer skuamöz hücreli karsinom, 250 iyi huylu kolon dokusu görüntüsü ve 250 kolon adenokarsinomu dahil olmak üzere 1.250 orijinal görüntüden oluşan ilk bir setten oluştu. Kalan görüntüler, veri setini genişletmek için veri artırma yoluyla oluşturulmuş, böylece sağlam model eğitimi ve doğrulama için çeşitli ve kapsamlı bir koleksiyon sağlanmıştır.

Yüksek çözünürlüklü görüntüler, hücresel yapıların ayrıntılı incelenmesine olanak sağladı ve bu, doğru kanser sınıflandırması için hayati önemdeydi. Orijinal görüntü sayısının sınırlı olması nedeniyle veri artırma gerekliydi; Veri seti boyutunu ve çeşitliliğini sentetik olarak artırmak için döndürme, taklama, yakınlaştırma ve kaydırma gibi teknikler kullanıldı. Bu süreç, sınıf dengeli şekilde ek 23.750 sentetik görüntü üretti ve her sınıf artırım sonrası 5.000 görüntü içeren nihai veri seti 25.000 görüntü elde etti.

Veri ön işleme
Veri setindeki ham histopatolojik görüntülerin çözünürlüğü 768 × 768 piksel arasındaydı. EfficientNetB7 mimarisiyle uyumluluğu sağlamak ve hesaplama verimliliğini en üst düzeye çıkarmak için her görüntü 768 × 768'den 224 × 224 piksele boyutlandırıldı. Bu boyutlandırma süreci, temel histolojik özellikleri koruma ile hesaplama yükünü azaltmak arasında bir denge oluşturuyordu. Boyutlandırma işlemi matematiksel olarak şu şekilde gösterilmiştir

Denklem 1: figure-protocol-2 (1)

burada X orijinal görüntüyü gösterirken, Xyeniden boyutlandırılmış görüntüydü ve h ile w sırasıyla istenen yükseklik ve genişlikti. Tüm piksel değerleri 0'dan 1'e kadar normalleştirildi; bu da görüntüler arasında tutarlı bir girdi dağılımı sağlayarak eğitimi stabilize edip hızlandırdı. Bu normalizasyon, Denklem 2'de gösterildiği gibi matematiksel olarak hesaplandı. Bu adım, eğitim sırasında model yakınsamasını artırmak için çok önemliydi.

figure-protocol-3(2)

Veri artırma, özellikle sınırlı ve dengesiz veri setleriyle tıbbi görüntüleme bağlamında, derin öğrenme modellerinin sağlamlığını ve uygulanabilirliğini artırmak için kritik bir teknik olarak kullanıldı. Bu çalışmada, histopatolojik görüntülerde in vivo varyasyonu simüle etmek için TensorFlow'un ImageDataGenerator modülü kullanılarak çeşitli artırma teknikleri uygulanmıştır. Bu teknikler, doku yönümü değişkenliğini simüle etmek için 20 dereceye kadar rastgele dönüşler, slayt hazırlığı sırasında konum değişkenliğini taklit etmek için görüntü boyutlarının %20'sine kadar yatay ve dikey kaydırmaları ve büyütme seviyelerindeki değişkenliği yansıtmak için %20'ye kadar rastgele zoomları içeriyordu.

Ayrıca, yatay çevirme işlemi yapılan ve ayna görüntü varyasyonları ortaya koyularak eğitim veri seti daha da zenginleştirildi. Bu dönüşümler sırasında oluşan yeni sentezlenen pikselleri yönetmek için, geçişleri sorunsuz sağlamak ve önemli histolojik özelliklerin bütünlüğünü korumak için en yakın komşu doldurma stratejisi benimsendi. Artırma için kullanılan 2D dönüş matrisi Denklem 3'te temsil edilir ve Denklem 4, kademeli bir değişimle bir fonksiyon tanımlar:

figure-protocol-4(3)

figure-protocol-5(4)

Bu artırma teknikleri, sınıf dengesizliği, hafif histolojik varyasyonlar ve veri seti sınırlamaları gibi zorlukları telafi ederek modelin değişmez özellikleri öğrenmesini ve aşırı uyum riskini azaltmasını sağladı. Veri setini sentetik olarak genişleterek ve kontrollü değişkenliği dahil ederek, veri artırma modelin yeni, görülmeyen verilere genelleme yeteneğini önemli ölçüde artırdı ve böylece akciğer ve kolon kanseri teşhisinde klinik uygulama için daha güçlü ve sağlam bir sistem üretti.

Model mimarisi
Model, görüntü sınıflandırma görevlerinde performansı, ölçeklenebilirliği ve etkinliğiyle tanınan son teknoloji derin öğrenme ağı olan EfficientNetB7 mimarisi temelinde geliştirilmiştir. EfficientNetB7, derinlik olarak ayrılabilir konvolüsyonları içeren bir dizi Mobil Ters Tırboğaz Konvolüsyonu (MBConv) blokları kullanılarak inşa edilmiştir. Bu yapısal tasarım modeli etkili bir şekilde sıkıştırdı ve performans kaybı minimumla parametre sayısında önemli azalmalar sağladı. Bu yenilik, modelin yüksek doğruluk ve daha düşük hesaplama maliyetleri elde etmesini sağladı ve özellikle histopatolojik görüntü analizi gibi hesaplama açısından yoğun uygulamalar için uygun hale geldi. Şekil 3 , önceden eğitilmiş EfficientNetB7'nin model mimarisini göstermektedir.

figure-protocol-6
Şekil 3: EfficientNetB7'nin model mimarisi. Bu şekil, EfficientNetB7 modelinin ayrıntılı yapısını göstermekte, görüntü sınıflandırması için kullanılan ana katmanlarını ve fonksiyonel bloklarını göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Model, EfficientNetB7'nin giriş gereksinimlerini karşılamak için orijinal boyutları olan 768 × 768 pikselden 224 × 224 piksele kadar yeniden boyutlandırılmış önceden işlenmiş histopatolojik görüntüleri kabul etti. Her görüntü, ağ içinde toplu normalizasyon, Swish aktivasyon fonksiyonları ve konvolüsyon işlemleri dahil olmak üzere birkaç süreçten geçti. Parti normalizasyonu, Denklem 5'te gösterildiği gibi hesaplandı. Swish aktivasyon fonksiyonu, doğrusal olmayanlığı getirdi ve ReLU gibi geleneksel fonksiyonlara kıyasla daha hızlı ve verimli eğitimi mümkün kıldı. Bu katmanlar, hiyerarşik özellikleri çıkarmak ve geliştirmek için tasarlanmıştı; böylece modeller, görüntüler ağ boyunca yayılırken düşük seviyeden yüksek seviyeye doğru kademeli olarak öğrenebilir.

figure-protocol-7(5)

ImageNet veri seti üzerinde önceden eğitilen EfficientNetB7'nin konvolüsyon omurgası, geniş bir görüntü alanı yelpazesinde etkili olan son derece genelleştirilebilir bir özellik dedektör seti sağladı. Önceden eğitilen taban, genellikle yüksek sınıf içi değişkenlik ve ince tanenli özelliklerle karakterize edilen histopatolojik görüntülerde ince ama bilgilendirici desenleri yakalamada kilit rol oynamıştır. Konvolüsyon katmanlardan çıkan çıktı, küresel ortalama havuzlama katmanına iletildi ve bu katman, mekânsal boyutları her görüntü için tek bir özellik vektöre indirgendi. Bu vektör, konvolüsyon katmanların öğrendiği en ilgili özellikleri kapsele ederek, tam bağlantılı katmanlarla uyumluluk için tek boyutlu bir diziye düzleştirildi. Akciğer ve kolon kanserinin gelişmiş tespiti algoritması, Ek Dosya 1'de sunulmaktadır.

Sonraki ağ mimarisi, sırasıyla 128 ve 64 birimlik iki yoğun (tamamen bağlı) katman içeriyordu. Her iki katman da Doğrultu Doğrusal Birim (ReLU) aktivasyon fonksiyonunu kullanarak ek doğrusal olmayan bir özellik ekledi ve çıkarılan özellikleri ince ayarladı, böylece model veri içindeki daha hassas desenleri ve ilişkileri tanıdı. Modelin son katmanı, veri setindeki beş sınıftan birini temsil eden beş nöronlu bir SoftMax çıkış katmanıydı. SoftMax fonksiyonu, sınıflar arasında olasılık dağılımını üretti ve bu durum, modelin her giriş görüntüsü için tahminini yansıttı; bu, Denklem 6'da açıklandığı gibi:

figure-protocol-8(6)

En son konvolüsyon tekniklerin, sağlam düzenlemenin ve etkili optimizasyon stratejilerinin birleşimi, yüksek riskli tıbbi görüntü sınıflandırması için çok uygun bir derin öğrenme modeli ortaya çıkardı. Model, akciğer ve kolon kanseri teşhisinde klinik uygulama potansiyeli göstererek hassasiyet, ölçeklenebilirlik ve operasyonel verimlilik sağladı. Bu çerçevede, düzenleme öncelikle gelişmiş veri artırma ve erken durdurma yöntemiyle gerçekleştirildi; yoğun katmanlara açık bir kopma veya ağırlık kaybı uygulanmadı.

Eğitim ve doğrulama
Histopatolojik görüntü sınıflandırması için konvolüsyon sinir ağının (CNN) doğrulama ve ön eğitim hattı, LC25000 histopatolojik görüntü sınıflandırması için model performansını optimize etmek ve iyi genellemeyi sağlamak amacıyla tasarlanmıştır. Pipeline, orijinal 768 × 768 piksellik görüntülerin EfficientNetB7 mimarisinin giriş gereksinimlerini karşılamak için 224 × 224 piksele düşürülmesini içeren kapsamlı ön işlemeyle başladı. Piksel yoğunlukları [0, 1] aralığına normalize edilip, eğitimi stabilize etmek ve hızlandırmak için ve rastgele dönüşler, kaymalar, yakınlaştırmalar ve yatay taklalar gibi veri artırma teknikleri uygulanarak değişkenlik yarattı ve aşırı uyumu azalttı. Bu ön işleme işlemleri, modelin değişmez özellikleri öğrenmesini ve yeni verilere iyi şekilde genelleştirmesini sağladı.

ImageNet veri seti üzerinde önceden eğitilmiş EfficientNetB7 modeli, temel olarak kullanıldı ve ince histolojik desenleri tanımlayabilen sağlam bir özellik detektör seti sağladı. Model, daha sonra Rectified Linear Unit (ReLU) fonksiyonuyla etkinleştirilen iki yoğun katman (128 ve 64 birim) ile ince ayar yapıldı ve ardından beş sınıf sınıflandırma için SoftMax çıkış katmanı eklendi. Bu mimari, hem hassasiyet hem de hesaplama verimliliği açısından optimize edilmiş, böylece tıbbi görüntü analizi için oldukça uygundur. θ için Adam optimizer güncelleme kuralı Denklem 7'de gösterilmiştir.

figure-protocol-9(7)

Model eğitimi, Adam optimizatörü kullanılarak 128 görüntüden oluşan gruplar halinde gerçekleştirildi; bu cihaz, etkili yakınsamayı teşvik etmek için öğrenme hızını uyarlayıcı olarak ölçeklendirdi. Doğrulama kaybını izlemek ve herhangi bir iyileşme gözlemlenmezse eğitimi durdurmak için erken bir durdurma kriteri uygulandı; böylece aşırı uyum önlendi ve hesaplama kaynakları optimize edildi. Eğitim boyunca, doğruluk, kayıp, hassasiyet ve geri çağırma gibi temel performans ölçütleri verilerin %20'sini oluşturan bir bekletme doğrulama seti kullanılarak takip edildi. Beklenen set, modelin genelleme yetenekleri hakkında kritik bilgiler sağladı ve görünmeyen verilere aşırı uyum sağlama riskini azalttı.

Gelişmiş ön işleme, veri artırma ve optimizasyon stratejilerinin entegrasyonu, akciğer ve kolon kanseri tespitinde klinik uygulama potansiyeli açısından mükemmel model doğruluğu ve sağlamlığı sağladı. Tüm deneyler, 16 GB bellek ve 64 GB sistem RAM'ine sahip bir NVIDIA Tesla P100 GPU üzerinde gerçekleştirildi. Tam eğitim boru hattı — ön işleme, artırma ve model optimizasyonu dahil — yaklaşık üç saat sürdü ve 128 parti büyüklüğüyle on dönemi tamamladı. Bu hesaplamalı altyapı, klinik araştırma ortamlarına uygun makul eğitim sürelerini koruyarak büyük, artırılmış veri setini verimli yönetmek üzere seçilmiştir.

Tekrarlanabilirlik için tüm kritik hiperparametreler açıkça belirtilmiştir. Model, Adam optimizatörü kullanılarak 0.001 sabit öğrenme oranıyla eğitilmiştir. Eğitim en fazla 10 dönem boyunca gerçekleştirildi; doğrulama kaybına dayalı erken durma ve aşırı donanımı önlemek için üç dönemlik sabır uygulandı. Hem eğitim hem de doğrulama aşamalarında 128 adet parti büyüklüğü kullanıldı. Tutarlı sonuçlar sağlamak için, veri yükleme ve model eğitiminin tüm aşamalarında rastgele tohum 42'ye ayarlandı. Eğitim sırasında öğrenme hızı düşüşü programı uygulanmadı.

Protokol, sistematik ön işleme, iyi kalibre edilmiş hiperparametreler, titiz doğrulama şemaları ve açık hesaplama ortamını birleştirerek hem doğruluk hem de tekrarlanabilirliği teşvik ediyordu. Sağlam derin öğrenme mimarisi, etkili optimizasyon ve tekrarlanabilir deneysel tasarımı entegre ederek iş akışı, histopatolojik görüntü sınıflandırması için sağlam bir temel oluşturdu. Akciğer ve kolon kanseri tespitinde güçlü performans göstermenin yanı sıra, protokol gelecekteki araştırmalarda benzer biyomedikal görüntüleme zorluklarına genişletilebilecek ölçeklenebilir bir çerçeve tanımladı.

Model geliştirme sırasında, güvenilir ve tekrarlanabilir sonuçlar elde etmek için birkaç pratik ayarlama uygulandı. Sınıf dengesizliği ve aşırı uyumu ele almak için erken durdurma ve gelişmiş veri artırma yöntemleri kullanıldı. Eğitim sırasında yüksek bellek kullanımı, görüntülerin boyut boyutu 224 × 224 piksele ve 128 parti boyutu kullanılarak azaltıldı. Yavaş yakınsamayla karşılaşıldığında, öğrenme oranı ampirik olarak 0.001'e ayarlandı. Veri yükleme hatalarını önlemek için görsel dizin yapısının manuel doğrulanması yapıldı ve tekrarlanabilirliği sağlamak için rastgele tohumlar düzeltildi. Bu stratejiler, büyük histopatolojik görüntü veri setlerine sahip derin öğrenme modellerini eğitmede benzer zorluklarla karşılaşan araştırmacılar için pratik rehberlik olarak hizmet edebilir.

İstatistiksel analiz
Modelin performansının istatistiksel modellemesi, doğruluk, istikrar ve genellenebilirlik değerlendirmek için kapsamlı bir metrik seti kullanılarak gerçekleştirildi. Temel değerlendirme ölçütleri arasında hassasiyet, hatırlama, F1 puanı ve sınıflandırma performansını niceleyen doğruluk yer aldı. Kafa karışıklığı matrisi, sınıfa özgü hata metriklerini raporlamak için kullanıldı ve bu metrikler 8-10 denklemlerine göre hesaplandı:

figure-protocol-10(8)

figure-protocol-11(9)

figure-protocol-12(10)

Ayrıca, tahmin doğruluğunu değerlendirmek için Ortalama Kare Hata (MSE), Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) gibi hata ölçümleri değerlendirildi ve Denklemler 11-13 kullanılarak hesaplandı:

figure-protocol-13(11)

figure-protocol-14(12)

figure-protocol-15(13)

Alıcı Çalışma Karakteristikası (ROC) eğrisi ve Eğri Altındaki Alan (AUC), modelin farklı eşiklerde sınıflar arasında ayrım yapma yeteneğini değerlendirmek için kullanıldı. AUC, Denklem 14'te gösterildiği gibi hesaplandı:

figure-protocol-16(14)

Bu istatistiksel analizler, modelin sınıflandırma performansını, sağlamlığını ve görülmeyen verilere genelleştirilmesini kapsamlı bir şekilde değerlendirdi.

Ablasyon çalışması
Her bileşenin sınıflandırma çerçevesindeki katkısını daha iyi değerlendirmek için, nihai modelin belirli mimari unsurlarının seçici olarak çıkarılması veya değiştirilmesiyle bir ablasyon çalışması yapıldı. Özellikle, iki alternatif deneysel konfigürasyon değerlendirildi: bir konfigürasyon hem Küresel Ortalama Havuzlama hem de Flatten katmanlarını içeriyordu, ardından iki yoğun katman (sırasıyla 128 ve 64 birim); diğer yapılandırmada hem Flatten katmanı hem de 128 birimlik yoğun katman çıkarılmış, sadece Küresel Ortalama Havuzlama katmanı ve tek bir 64 birimlik yoğun katman kaldı.

Ana sonuçlarda bildirildiği gibi, tüm mimari yaklaşık %96 doğruluk sağlamıştır. Flatten katmanı hariç tutulduğunda ve Küresel Ortalama Havuzlama sonrası sadece 128 ve 64 birimlik yoğun katmanlar kullanıldığında, doğrulama doğruluğu %81,6'ya düştü. Buna karşılık, 128 birimlik yoğun tabaka hariç tutulduğunda ve Flatten tabakası korunduğunda, doğrulama doğruluğu %88'e düştü. Bu sonuçlar, optimal sınıflandırma performansına ulaşmak için hem ekstra yoğun katmanın hem de uygun mimari bileşenlerin dahil edilmesinin gerekliliğini gösterdi. Ablasyon deneylerinden elde edilen bulgular, Küresel Ortalama Havuzlama, Düzleştirme ve iki tam bağlantılı katmanın birleşiminin daha ifade edici bir özellik temsili sağladığını ve bunun sonucunda daha sağlam ve doğru histopatolojik görüntü sınıflandırması sağladığını tutarlı şekilde göstermiştir.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Şekil 4 , eğitim ve doğrulama doğruluğunu sunar. Şekil 5 , eğitim ve doğrulama Kayıp'ı göstermektedir.

figure-results-1
Şekil 4: Dönemler boyunca eğitim ve doğrulama doğruluğu. Bu şekil, tüm dönemler boyunca hem eğitim hem de doğrulama setleri iç...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EfficientNetB7 derin öğrenme mimarisi altında yanlış etiketlenmiş örneklerin eleştirel incelemesinde, model tahminlerinin doğrulama veri setindeki gerçek etiketlerle eşleşmediği örnekler üzerinde eleştirel bir inceleme yapılır. Eleştirel analiz, özellikle modelin akciğer ve kolon dokularının çeşitli histopatolojik özelliklerini yanlış sınıflandırdığında, belirli sınıflandırma hatalarının analizinde son derece önemlidir11. Prosedür, doğrulama kümesindeki tüm görünt...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu el yazmasının yayımlanmasıyla ilgili çıkar çatışması olmadığını belirtmektedir. Bu çalışmada sunulan araştırma, sonuç veya sonuçlar üzerinde hiçbir finansal veya kişisel bağlantılar etkili olmamıştır.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma, Suudi Arabistan'ın Riyad kentindeki Prenses Nourah bint Abdulrahman Üniversitesi Araştırmacılar Destek Projesi numarası (PNURSP2026R195) tarafından desteklenmektedir. Yazarlar, RGP2/749/46 hibe numarası kapsamında Büyük grup araştırması yoluyla bu çalışmayı finanse ettiği için King Khalid Üniversitesi Araştırma ve Lisansüstü Dekanlığı'na teşekkürlerini iletmektedir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
A100 GPU (CUDA)NVIDIACUDA Sürüm 11.0Model eğitimi ve değerlendirmesi için GPU hızlandırma.
Kaggle PlatformuGoogleYokMakine Öğrenimi Modeli Geliştirme İçin Bulut Tabanlı Notebook
KerasTensorFlow (Google)Sürüm 2.6.0TensorFlow üzerinde çalışan derin öğrenme API.
LC25000Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Akciğer ve Kolon Kanseri Histopatolojik Görüntü Veri Seti (LC25000)YokBu veri seti, 5 sınıftan oluşan 25.000 histopatolojik görüntü içerir. Tüm görüntüler 768 x 768 piksel boyutunda olup jpeg dosya formatındadır.
MatplotlibPython Yazılım VakfıSürüm 3.5.0Sonuçları çizmek için görselleştirme kütüphanesi.
NumPyPython Yazılım VakfıSürüm 1.19.5Sayısal hesaplama kütüphanesi.
OpenCVAçık KaynakSürüm 4.5.4Görüntü işleme ve bilgisayar görme kütüphanesi.
PandalarPython Yazılım VakfıSürüm 1.3.4Veri analiz ve işleme aracı.
Python (Anaconda Dağıtımı)Anaconda IncSürüm 3.7.12Ön yüklü paketler ve ortam yönetim araçları içerir.
Scikit-learnPython Yazılım VakfıSürüm 0.23.2Performans değerlendirmesi için makine öğrenimi araçları.
TensorFlowGoogleSürüm 2.6.2Difüzyon modelleri için derin öğrenme çerçevesi.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Al-Jabbar, M., Alshahrani, M., Senan, E. M., Ahmed, I. A. Histopathological analysis for detecting lung and colon cancer malignancies using hybrid systems with fused features. Bioengineering. 10 (3), 383(2023).
  2. Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A., Mastorides, S. M., et al. Lung and colon cancer histopathological image dataset (LC25000). arXiv. , (2019).
  3. Sakamoto, T., Furukawa, T., Lami, K., Pham, H. H. N., Uegami, W., Kuroda, K., et al. A narrative review of digital pathology and artificial intelligence:focusing on lung cancer. Transl Lung Cancer Res. 9 (5), 2255(2020).
  4. WHO Consolidated Guidelines on Tuberculosis. Module 3:Diagnosis: Rapid Diagnostics for Tuberculosis Detection. , World Health Organization. https://www.who.int/publications/i/item/9789240089488 (2024).
  5. Al-Zoghby, A. M., Ismail Ebada, A., Saleh, A. S., Abdelhay, M., Awad, W. A. A comprehensive review of multimodal deep learning for enhanced medical diagnostics. Comput Mater Continua. 84 (3), 2025(2025).
  6. Attallah, O. Lung and colon cancer classification using multiscale deep features integration of compact convolutional neural networks and feature selection. Technologies. 13 (2), 54(2025).
  7. Patharia, P., Sethy, P. K., Nanthaamornphong, A. Advancements and challenges in the image-based diagnosis of lung and colon cancer:a comprehensive review. Cancer Inform. 23, 11769351241290608(2024).
  8. Liao, Q. M., Hussain, W., Liao, Z. X., Hussain, S., Jiang, Z. L., Zhu, Y. H., et al. Computer-aided application in medicine and biomedicine. Int J Comput Intell Syst. 18 (1), 221(2025).
  9. Gautam, N., Ghosh, S., Sarkar, R. CNN models aided with a metaclassifier for lung carcinoma classification using histopathological images. Multimed Tools Appl. 84, 28493-28517 (2025).
  10. Mohammed, M. S., Mohammed, A. M. S. Safety diagnostic tool for non-small cell lung cancer (NSCLC) lyophilized serum. Clin Cancer Investig J. 13 (4), 15-19 (2024).
  11. Iqbal, S., Qureshi, A. N., Alhussein, M., Aurangzeb, K., Kadry, S. A novel heteromorphous convolutional neural network for automated assessment of tumors in colon and lung histopathology images. Biomimetics. 8 (4), 370(2023).
  12. Haziq, U., Uddin, J., Rahman, S., Yaseen, M., Khan, I., Khan, J., et al. Improving lung cancer detection with enhanced convolutional sequential networks. Sci Rep. 15 (1), 32099(2025).
  13. Abd El-Aziz, A. A., Mahmood, M. A., Abd El-Ghany, S. Advanced deep learning fusion model for early multi-classification of lung and colon cancer using histopathological images. Diagnostics. 14 (20), 2274(2024).
  14. Ravindran, U., Gunavathi, C. Cancer disease prediction using integrated smart data augmentation and capsule neural network. IEEE Access. 12, 81813-81826 (2024).
  15. Talukder, M. A., Islam, M. M., Uddin, M. A., Akhter, A., Hasan, K. F., Moni, M. A. Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning. Expert Syst Appl. 205, 117695(2022).
  16. Attallah, O., Aslan, M. F., Sabanci, K. A framework for lung and colon cancer diagnosis via lightweight deep learning models and transformation methods. Diagnostics. 12 (12), 2926(2022).
  17. Hage Chehade, A., Abdallah, N., Marion, J. -M., Oueidat, M., Chauvet, P. Lung and colon cancer classification using medical imaging:a feature engineering approach. Phys Eng Sci Med. 45 (3), 729-746 (2022).
  18. Wahid, R. R., Nisa', C., Amaliyah, R. P., Puspaningrum, E. Y. Lung and colon cancer detection with convolutional neural networks on histopathological images. AIP Conf Proc. 2654, 020020(2023).
  19. Kumar, N., Sharma, M., Singh, V. P., Madan, C., Mehandia, S. An empirical study of handcrafted and dense feature extraction techniques for lung and colon cancer classification from histopathological images. Biomed Signal Process Control. 75, 103596(2022).
  20. Mehmood, S., et al. Malignancy detection in lung and colon histopathology images using transfer learning with class selective image processing. IEEE Access. 10, 25657-25668 (2022).
  21. Zhou, L., et al. Identification of novel targets and mechanisms of wogonin on lung cancer, bladder cancer, and colon cancer. J Future Foods. 4 (3), 267-279 (2024).
  22. Reddy, K. R., DeLaune, R. D., Inglett, P. W. Biogeochemistry of Wetlands: Science and Applications. , CRC Press. Boca Raton. (2022).
  23. Shandilya, S., Nayak, S. R. Analysis of lung cancer by using deep neural network. Innovation in Electrical Power Engineering, Communication, and Computing Technology. Lecture Notes in Electrical Engineering. , Springer. Singapore. (2022).
  24. Vision transformer-based classification for lung and colon cancer using histopathology images. Hasan, M., et al. 2023 International Conference on Machine Learning and Applications (ICMLA), Jacksonville, FL, USA, , (2023).
  25. Cen, J., Hu, N., Shen, J., Gao, Y., Lu, H. Pathological functions of lysosomal ion channels in the central nervous system. Int J Mol Sci. 25 (12), 6565(2024).
  26. Li, H., Wang, Z., Guan, Z., Miao, J., Li, W., Yu, P., et al. UCFNNet: ulcerative colitis evaluation based on fine-grained lesion learner and noise suppression gating. Comput Methods Programs Biomed. 247, 108080(2024).
  27. Song, W., Wang, X., Guo, Y., Li, S., Xia, B., Hao, A. CenterFormer:a novel cluster center enhanced transformer for unconstrained dental plaque segmentation. IEEE Trans Multimedia. 26, 10965-10978 (2024).
  28. Gayap, H. T., Akhloufi, M. A. Deep machine learning for medical diagnosis, application to lung cancer detection:a review. BioMedInformatics. 4 (1), 236-284 (2024).
  29. Luan, S., et al. Deep learning for fast super-resolution ultrasound microvessel imaging. Phys Med Biol. 68 (24), 245023(2023).
  30. Sun, D., Hu, Y., Li, X., Peng, J., Dai, Z., Wang, S. Unlocking the full potential of memory T cells in adoptive T cell therapy for hematologic malignancies. Int Immunopharmacol. 144, 113392(2025).
  31. Wang, G., Ma, Q., Li, Y., Mao, K., Xu, L., Zhao, Y. A skin lesion segmentation network with edge and body fusion. Appl Soft Comput. 170, 112683(2025).
  32. Singh, O., Kashyap, K. L., Singh, K. K. Lung and colon cancer classification of histopathology images using convolutional neural network. SN Comput Sci. 5 (2), (2024).
  33. Diagnose colon and lung cancer histopathological images using pre-trained machine learning model. Maheshwari, U., Kiranmayee, B. V., Suresh, C. Proc Int Conf Contemp Comput Inform, , 1078-1082 (2022).
  34. Masud, M., Sikder, N., Nahid, A. -A., Bairagi, A. K., AlZain, M. A. A machine learning approach to diagnosing lung and colon cancer using a deep learning-based classification framework. Sensors. 21 (3), 748(2021).
  35. Lung cancer detection from histopathological images using deep learning. Mohalder, R. D., et al. International Conference on Machine Intelligence and Emerging Technologies, , Noakhali, Bangladesh. (2022).
  36. Detection of colon cancer using Inception V3 and ensembled CNN model. Swarna, I. J., Hashi, E. K. Proc Int Conf Electr Comput Commun Eng, 2023, 1-6 (2023).
  37. Reis, H. C., Turk, V. Transfer learning approach and nucleus segmentation with MedCLNet colon cancer database. J Digit Imaging. 36 (1), 306-325 (2022).
  38. Deep convolutional neural networks for early-stage detection and prognostication of lung and colon cancer. Laxmikant, K., Arthi, A., Vinodhini, V., Natarajan, B., Bhuvaneswari, R., Selvam, P. 2024 International Conference on Integrated Circuits and Communication Systems (ICICACS), Raichur, India, , (1109).
  39. Musthafa, M. M., Manimozhi, I., Mahesh, T. R., Guluwadi, S. Optimizing double-layered convolutional neural networks for efficient lung cancer classification through hyperparameter optimization and advanced image pre-processing techniques. BMC Med Inform Decis Mak. 24 (1), 142(2024).
  40. Histopathological analysis advancements in deep learning for the diagnosis of lung and colon cancer with explanatory power via visual saliency. Kashyap, S., Shukla, A. K., Naim, I. Proc Int Conf Innov Emerg Trends Comput Inf Technol, 2125, Springer. Cham. 148-158 (2024).
  41. Alhassan, A. M. Enhanced pre-processing technique for histopathological image stain normalization and cancer detection. Multimed Tools Appl. 84, 29733-29761 (2024).
  42. Hijazi, A., Bifulco, C., Baldin, P., Galon, J. Digital pathology for better clinical practice. Cancers. 16 (9), 1686(2024).
  43. Ameyaw, S. A., Afari, D. A., Boateng, J. Advancements in image-based analyses for morphology and staging of colon cancer: a comprehensive review. Biomed Res Int. 2025 (1), 9214337(2025).
  44. Leveraging artificial intelligence for enhanced histopathological image analysis in lung and colon cancer diagnosis:development of a mobile application. Cherrat, L., Khrouch, S., Chraibi, M., Ezziyyani, M. Proc Int Conf Adv Intell Syst Sustain Dev, , Springer. Cham. 748-766 (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EfficientNetB7 ModelDeep LearningLung Cancer DiagnosisColon Cancer DiagnosisHistopathological ImagesMedical ImagingData AugmentationEarly Cancer DetectionModel Fine TuningArtificial Intelligence Pathology

Related Articles