Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightElde edilen sonuçlar, MK teşhisi için son derece etkili değerler olmasının yanı sıra, literatürde raporlanan diğer sonuçlara kıyasla çok daha üstün niteliktedir.
📌 3 Maddede Bu Makale
Özet
Meme kanseri (MK), özellikle dünya genelinde kadınların en çok muzdarip olduğu hastalıklardan biridir. Rutin meme kontrolleri, hem erken teşhis hem de ilgili kişinin erken tedavisi açısından hayati öneme sahiptir. Bilgisayar destekli teşhis sistemleri, patoloji uzmanlarına teşhis sırasında yardımcı olan bir araç olma konusunda önemli bir yol kat etmiştir. Bu çalışmada, histopatolojik görüntülerden BC’nin etkili bir şekilde teşhisi için yeni bir evrişimli sinir ağı (CNN) önerilmiştir. Geleneksel CNN’lerin yalnızca bir girişi olduğu için, eğitim sürecinde yalnızca veri kümesindeki ham görüntüler kullanılmaktadır. Bu durum, ağın ek bir özelliği giriş olarak kullanmasını sınırlandırmaktadır. Ancak, önerilen model klasik CNN yapılarından farklı olarak iki girişe sahiptir. Ağın bir girişi histopatolojik ham görüntüleri, diğer girişi ise ilgili görüntülerin derin özelliklerini kullanmaktadır. Tüm deneysel çalışmalar, yaygın olarak kullanılan BreaKHis veri kümesi üzerinde gerçekleştirilmiştir. Performans testi için doğruluk ölçütü tercih edilmiş ve 5 katlı çapraz doğrulama tekniği kullanılmıştır. 40×, 100×, 200× ve 400× alt veri kümelerinde sırasıyla %99,94, %98,94, %99,05 ve %97,30 doğruluk skorları elde edilmiştir. Elde edilen sonuçlar, MK teşhisi için son derece etkili değerler olmasının yanı sıra, literatürde raporlanan diğer sonuçlara kıyasla çok daha üstün niteliktedir.
Abstract
Breast cancer (BC) is one of the diseases that women suffer most, especially in the world. Routine breast checks are vital for both early diagnosis and early treatment of the person concerned. Computer aided diagnosis systems have also come a long way in being a helpful tool for pathologists during diagnosis. In this work, a novel convolutional neural network (CNN) is proposed for the effective diagnosis of BC from histopathological images. Since classical CNNs have only one input, the network is to use only the raw images from the dataset in the training process. This limits the network from using an extra feature as an input. However, the proposed model has two inputs, unlike classical CNN structures. One input of the network uses histopathological raw images and the other input uses deep features of related images. All of the experimental studies were performed on the widely used BreaKHis dataset. For the test of performance, the accuracy criterion was preferred and the 5-fold cross-validation technique was taken into account. Accuracy scores of 99.94%, 98.94%, 99.05%, and 97.30% were obtained in 40×, 100×, 200× and 400× sub-datasets, respectively. While the results obtained were highly effective values for the diagnosis of BC, they were also far superior to other results reported in the literature.