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 , çeş....

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.

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.

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