KaydedilenlerDerginizi ekleyin

Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 36 Sayı: 1

Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti

Detection of Stomach Dysplasia by MLP Classifier using Conventional Neural Networks

Seda Sağıroğlu(FIRAT ÜNİVERSİTESİ)0000-0001-7319-8597
Seda Arslan Tuncer(FIRAT ÜNİVERSİTESİ)0000-0001-6472-8306
Birgül Karahan(SAĞLIK BİLİMLERİ ÜNİVERSİTESİ, ELAZIĞ FETHİ SEKİN ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, TIBBİ PATOLOJİ ANABİLİM DALI)0000-0003-0276-8219
İbrahim Hanifi Özercan(FIRAT ÜNİVERSİTESİ, TIP FAKÜLTESİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, TIBBİ PATOLOJİ ANABİLİM DALI)0000-0002-8781-8838
Sayfa
291–300
Yayın Tarihi
2024-03-28
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Hasta ve sağlıklı olmak üzere iki etiket sınıfına ayrılan veri derin öğrenme mimarileri ve sınıflandırıcılar yardımıyla karşılaştırılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda Dünya’da ve Türkiye’de yapılan araştırmalarda da görüldüğü üzere mide kanseri diğer kanser türlerine oranla ilk sıralarda yer almaktadır.
📊
Temel Bulgular & Veri:Tespit edilme açısından da oldukça zorluk çekilen bir kanser türü olarak bilinmektedir.
💡
Sonuç & Katkı:Hasta ve sağlıklı olmak üzere iki etiket sınıfına ayrılan veri derin öğrenme mimarileri ve sınıflandırıcılar yardımıyla karşılaştırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Derin Öğrenme · Mide Displazi · Sınıflandırma

Özet

Son yıllarda Dünya’da ve Türkiye’de yapılan araştırmalarda da görüldüğü üzere mide kanseri diğer kanser türlerine oranla ilk sıralarda yer almaktadır. Tespit edilme açısından da oldukça zorluk çekilen bir kanser türü olarak bilinmektedir. Mide displazisi, midenin iç yüzeyini kaplayan hücrelerin normal şekilde büyümesini ve gelişmesini durdurmasıdır. Bu hücreler, kontrolsüz bir şekilde büyümeye ve çoğalmaya başlarlar, sonrasında mide kanserine dönüşmektedirler. Bu hastalığı kansere dönüşmeden en aza indirgeyebilmek temel hedeftir. Mide displazisi düşük dereceli ve yüksek dereceli displazi olmak üzere iki şekilde ayrılır. Yüksek dereceli displazi, kanserin bir öncesidir. Bu yüzden mide displazinin tanı ve tedavisi için erken dönemde teşhis son derece önem taşımaktadır. Bu çalışmada, mide displazinin tespiti için derin öğrenme ve evrişimsel sinir ağları teknikleri kullanılarak displazi durumunun erken evrede tespiti amaçlanmaktadır. Çalışmada histopatolojik görüntüler üzerinde birden fazla Evrişimsel Sinir Ağları (ESA) modeli kullanılarak özellik çıkarma işlemi yapılmıştır. Hasta ve sağlıklı olmak üzere iki etiket sınıfına ayrılan veri derin öğrenme mimarileri ve sınıflandırıcılar yardımıyla karşılaştırılmıştır.

Abstract

As seen in research conducted in the world and in Turkey in recent years, stomach cancer ranks first compared to other types of cancer. It is known as a type of cancer that is very difficult to detect. Gastric dysplasia is when the cells lining the inner surface of the stomach stop growing and developing normally. These cells begin to grow and multiply uncontrollably, then turn into stomach cancer. The main goal is to minimize this disease before it turns into cancer. Gastric dysplasia is divided into two types: low-grade and high-grade dysplasia. High-grade dysplasia is a precursor to cancer. Therefore, early diagnosis is extremely important for the diagnosis and treatment of gastric dysplasia. This study aims to detect dysplasia at an early stage by using deep learning and convolutional neural networks techniques for the detection of gastric dysplasia. In the study, feature extraction was performed on histopathological images using multiple Convolutional Neural Networks (ESA) models. The data, divided into two label classes: patient and healthy, were compared with the help of deep learning architectures and classifiers.

🔖

Bu Makaleye Atıf Yap

Sağıroğlu, S., Tuncer, S. A., Karahan, B., Özercan, İ. H. (2024). Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 36 Sayı: 1, 291–300. https://doi.org/10.35234/fumbd.1339527

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (21)

  1. Buran, T., & Şahin, M. (2020). Mide Kanseri’nde Erken Tanı Hayat Kurtarır. Celal Bayar Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi, 7(4), 567-570.
  2. Alacalı, M. (2012). Mide kanseri, mide kanseri taramaları ve mide kanserinden korunma. Ankara Medical Journal, 12(4), 195-198.Haupt RL, Haupt SE. Practical Genetic Algorithms. 2nd ed. New York, NY, USA: Wiley, 2004.
  3. Sarı, R. Mide Kanseri Tanı ve Tedavi Planlamasında Görüntüleme Yöntemlerinin Yeri, Gastrointestinal Sistem Kanserlerinin Cerrahisi, (2020), 67-68.
  4. Ikenoyama Y, Hirasawa T, Ishioka M, Namikawa K, Yoshimizu S, Horiuchi Y, & Tada T. (2021). Detecting early gastric cancer: Comparison between the diagnostic ability of convolutional neural networks and endoscopists. Digestive Endoscopy, 33(1), 141-150.
  5. Hirasawa T, Aoyama K, Tanimoto T, Ishihara S, Shichijo S, Ozawa T, & Tada T. (2018). Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer, 21(4), 653-660.
  6. Sakai Y, Takemoto S, Hori K, Nishimura M, Ikematsu H, Yano T, & Yokota H. (2018, Temmuz). Aktarıcı bir evrişimsel sinir ağı kullanarak endoskopik görüntülerde erken mide kanserinin otomatik tespiti. 2018 yılında 40. Yıllık Uluslararası IEEE Mühendislik ve Tıp ve Biyoloji Topluluğu Konferansı (EMBC) (s. 4138-4141). IEEE.
  7. Pang X, Zhao Z, & Weng Y. (2021). The role and impact of deep learning methods in computer-aided diagnosis using gastrointestinal endoscopy. Diagnostics, 11(4), 694.
  8. Li, L, Chen Y, Shen Z, Zhang X, Sang J, Ding Y, & Yu C. (2020). Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging. Gastric Cancer, 23(1), 126-132.
  9. Shibata, T, Teramoto A, Yamada H, Ohmiya N., Saito K., & Fujita, H. (2020). Automated detection and segmentation of early gastric cancer from endoscopic images using mask R-CNN. Applied Sciences, 10(11), 3842
  10. Zhang, X., Hu, W., Chen, F., Liu, J., Yang, Y., Wang, L.,. & Si, J. (2017). Gastric precancerous diseases classification using CNN with a concise model. PloS one, 12(9), e0185508.
  11. Shi, Z, Zhu, C, Zhang, Y. et al. Deep learning for automatic diagnosis of gastric dysplasia using whole-slide histopathology images in endoscopic specimens. Gastric Cancer 25, 751–760 (2022).
  12. Das S. «medium,» 2017. Available: medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5.
  13. https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5, Erişim Tarihi: 2023, Konu: CNN Architectures
  14. Yan, Z, Liu, H, Li, T, Li, J, & Wang, Y. (2022). Two dimensional correlation spectroscopy combined with ResNet: Efficient method to identify bolete species compared to traditional machine learning. LWT, 162, 113490
  15. https://medium.com/@godeep48/an-overview-on-mobilenet-an-efficient-mobile-vision-cnn-f301141db94d.Erişim Tarihi:2023.
  16. Wang W, Li Y, Zou T, Wang X, You J, Luo Y. "Dense-MobileNet Modelleri Üzerinden Yeni Bir Görüntü Sınıflandırma Yaklaşımı", Mobil Bilgi Sistemleri, cilt. 2020, Makale Kimliği 7602384, 8 sayfa, 2020
  17. Şafak, E, and Barışçı, N. (2022). Hafif Evrişimsel Sinir Ağları Kullanılarak Sahte Yüz Görüntülerinin Tespiti. El-Cezeri, 9(4), 1282-1289.
  18. Metin, N, Karadağ, K, and Terzioğlu, M. K. (2020). MLP/RBF Ağ Mimarileriyle Hibrit MGARCH-ANN Model Performans Karşılaştırması: Petrol Fiyat Oynaklığı. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 78-93.
  19. Durmuş, M, Ergen, B, Çelebi, A, and Türkoğlu, M. (2023). Panoramik Diş Görüntülerinde Derin Evrişimsel Sinir Ağına Dayalı Gömülü Diş Tespiti ve Segmentasyonu. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 38(3), 713-724.
  20. Zhang, X., Hu, W., Chen, F., Liu, J., Yang, Y., Wang, L.,. & Si, J. (2017). Gastric precancerous diseases classification using CNN with a concise model. PloS one, 12(9), e0185508.
  21. https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5, Erişim Tarihi: 2023, Konu: CNN Architectures