Araştırma Makalesi
BibTex RIS Kaynak Göster

Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti

Yıl 2024, Cilt: 36 Sayı: 1, 291 - 300, 28.03.2024
https://doi.org/10.35234/fumbd.1339527

Öz

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.

Kaynakça

  • Buran, T., & Şahin, M. (2020). Mide Kanseri’nde Erken Tanı Hayat Kurtarır. Celal Bayar Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi, 7(4), 567-570.
  • 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.
  • Sarı, R. Mide Kanseri Tanı ve Tedavi Planlamasında Görüntüleme Yöntemlerinin Yeri, Gastrointestinal Sistem Kanserlerinin Cerrahisi, (2020), 67-68.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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
  • 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.
  • 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).
  • Das S. «medium,» 2017. Available: medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5.
  • https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5, Erişim Tarihi : 2023, Konu: CNN Architectures
  • 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
  • https://medium.com/@godeep48/an-overview-on-mobilenet-an-efficient-mobile-vision-cnn-f301141db94d.Erişim Tarihi:2023.
  • 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
  • Şafak, E, and Barışçı, N. (2022). Hafif Evrişimsel Sinir Ağları Kullanılarak Sahte Yüz Görüntülerinin Tespiti. El-Cezeri, 9(4), 1282-1289.
  • 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.
  • 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.

Detection of Stomach Dysplasia by MLP Classifier using Conventional Neural Networks

Yıl 2024, Cilt: 36 Sayı: 1, 291 - 300, 28.03.2024
https://doi.org/10.35234/fumbd.1339527

Öz

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.

Kaynakça

  • Buran, T., & Şahin, M. (2020). Mide Kanseri’nde Erken Tanı Hayat Kurtarır. Celal Bayar Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi, 7(4), 567-570.
  • 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.
  • Sarı, R. Mide Kanseri Tanı ve Tedavi Planlamasında Görüntüleme Yöntemlerinin Yeri, Gastrointestinal Sistem Kanserlerinin Cerrahisi, (2020), 67-68.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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
  • 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.
  • 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).
  • Das S. «medium,» 2017. Available: medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5.
  • https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5, Erişim Tarihi : 2023, Konu: CNN Architectures
  • 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
  • https://medium.com/@godeep48/an-overview-on-mobilenet-an-efficient-mobile-vision-cnn-f301141db94d.Erişim Tarihi:2023.
  • 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
  • Şafak, E, and Barışçı, N. (2022). Hafif Evrişimsel Sinir Ağları Kullanılarak Sahte Yüz Görüntülerinin Tespiti. El-Cezeri, 9(4), 1282-1289.
  • 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.
  • 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.
Toplam 19 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Derin Öğrenme
Bölüm MBD
Yazarlar

Seda Sağıroğlu 0000-0001-7319-8597

Seda Arslan Tuncer 0000-0001-6472-8306

Birgül Karahan 0000-0003-0276-8219

İbrahim Hanifi Özercan 0000-0002-8781-8838

Yayımlanma Tarihi 28 Mart 2024
Gönderilme Tarihi 8 Ağustos 2023
Yayımlandığı Sayı Yıl 2024 Cilt: 36 Sayı: 1

Kaynak Göster

APA Sağıroğlu, S., Arslan Tuncer, S., Karahan, B., Özercan, İ. H. (2024). Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(1), 291-300. https://doi.org/10.35234/fumbd.1339527
AMA Sağıroğlu S, Arslan Tuncer S, Karahan B, Özercan İH. Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. Mart 2024;36(1):291-300. doi:10.35234/fumbd.1339527
Chicago Sağıroğlu, Seda, Seda Arslan Tuncer, Birgül Karahan, ve İbrahim Hanifi Özercan. “Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı Ile Mide Displazisinin Tespiti”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 36, sy. 1 (Mart 2024): 291-300. https://doi.org/10.35234/fumbd.1339527.
EndNote Sağıroğlu S, Arslan Tuncer S, Karahan B, Özercan İH (01 Mart 2024) Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 36 1 291–300.
IEEE S. Sağıroğlu, S. Arslan Tuncer, B. Karahan, ve İ. H. Özercan, “Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 36, sy. 1, ss. 291–300, 2024, doi: 10.35234/fumbd.1339527.
ISNAD Sağıroğlu, Seda vd. “Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı Ile Mide Displazisinin Tespiti”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 36/1 (Mart 2024), 291-300. https://doi.org/10.35234/fumbd.1339527.
JAMA Sağıroğlu S, Arslan Tuncer S, Karahan B, Özercan İH. Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2024;36:291–300.
MLA Sağıroğlu, Seda vd. “Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı Ile Mide Displazisinin Tespiti”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 36, sy. 1, 2024, ss. 291-00, doi:10.35234/fumbd.1339527.
Vancouver Sağıroğlu S, Arslan Tuncer S, Karahan B, Özercan İH. Evrişimsel Sinir Ağları Kullanarak ÇKA Sınıflandırıcısı ile Mide Displazisinin Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2024;36(1):291-300.