Abstract
Kansere bağlı ölümlerde önde gelen türlerden olan mide kanserine çevresel ve genetik birçok faktör sebebiyet verebilir. Başlıca risk faktörlerinden birisi ise midede gastrit ve ülsere neden olan helikobakter pilori bakteri virüsüdür. Bu virüsün tespit edilebilmesi için histopatolojik değerlendirme yapılmaktadır. Manuel yapılan bu işlem iş yükü, zaman kaybı ve subjektif değerlendirmeden kaynaklı patologlar arası görüş ayrılıklarına sebebiyet vermektedir. Tanı sürecini hızlandırmak ve hastaya zamanında tedavi uygulayarak yaşam süresini uzatmak amacıyla otomatik sistemlere ihtiyaç duyulmaktadır. Bu çalışmada son yıllarda başarımı artarak devam eden derin öğrenme mimarisi histopatolojik tam slayt görüntüden helikobakter pilorinin varlığını teşhis etmek için kullanılmaktadır. Mide biyopsi görüntülerini içeren halka açık DeepHP veri seti kullanılarak Helikobakter pilorinin tanısında uçtan-uca bir derin öğrenme modeli olanEfficientNet-B0 uygulanmıştır. Ayrıca, ağın özellik çıkarma yeteneğini geliştirmek amacıyla son zamanlarda literatüre sunulan çeşitli dikkat mekanizmaları (Etkili Kanal Dikkat, Frekans Kanal Dikkati Ağı, Kapılı Kanal Dönüşümü, Evrişimsel Blok Dikkat Modülü ve Basit, Parametresiz Dikkat Modülü) derin modele entegre edilerek model başarımı üzerindeki etkileri incelenmiştir. Yapılan analizler sonucunda, Frekans Kanal Dikkat Ağı entegre edilen EfficientNet-B0 mimarisinin, histopatolojik görüntülerden helikobakter pilorinin tanısında 0.99835 doğruluğa ulaştığı görülmüştür. Buna göre, önerilen model literatürde yer alan modellerin DeepHP veri seti üzerinde ürettiği sonuçlardan çok daha üstün bir sonuç üretmiştir ve hastalığın tanısında umut vaat edicidir.
Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
