Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 15.05.2024

Makale Kabul Tarihi: 08.07.2024

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka

Uygulaması

ATkEacxbiLpğaulenanrligınKaMCbaalnoenCsdcAeoeernrrliltvDieTforielecUtuiiselatyepcilogtiAiItnuoninçnltBaeıdwaklmelsliiegaatDhdensnıöaTMcnbreoüialndAşirseüpflmYosprlaimvcpeaeatryiEoavnZnrdefioşkriam

Delal Şeker1, Mustafa Said Kartal2, Abdulnasır Yıldız3, İlkay Öksüz4

Explainable Artificial Intelligence Application for Özetçe— 1GMünüühmeünzddiesldikijiFtaalkpüalttoelsoiji,,DtüicmlöerlÜerninivteerşshiitsei svie, Diyarbakır, Türkiye, delalkabGaİkR9İ3Ş@gmail.com

Ötağhrmeninmleem2(TeDıÖpk)oFnyuaösknutüneldmtaelesriöi,nnSeinmivlgaiesnbiCişruömlrçoehlkuloiryiunyyaegmtualÜakmntaaidvlaıerr.rlasDitbeearsşiina, SivaAsk,cTiğüerkkiaynes,emri dd.ümnyuastgaefnaeslainiddekagretnaişl@bigr mkeasiml.ci oilmgilendiren

Lung Cancer Detection with Transformer and çhıikstmopaatoyleotjeinkeğgiö3MrgüönüzthüeleönrnddüeinseldiokkaFluınadskıınüğıılfntledanas,id,ırDbmuiacltieçüirÜn ncmiavozeidpresllbietirer,si,

sağlık sorunlarının başında gelir. Ölüm oranı yüksek ve kritik

Dbiiryasrabğalıkkır,sTorüurnkuidyuer,. aAbnkcaiyğ[email protected]ığına başlıca

çözüm olarak kullanılmaktadır.

Convolution Based Models görüntülerden akciğer kanserinin

oBtoum4Iasçttaiaklınşsmbınuaıl,flaThneidcsıthromnpiaactsoaı lloiçjUiinknıveycrosakiğtaryal,afinİsmbtöaalngsbeelbueelrb,ei,Tsyuiagrşkarigayreuvpelaarlıknoal,

tüketimidir. Bunun kalıtsal özelliklere

yanı sıra ve diğer

doğru ve yoruFmalacnualbtiylirObfirCmoamkipnuetöeğrreAnnimdi Itenkfnoirğmi oalutışctusrEmnaygııneedreinğigş,keDnelepraertbmağelnıt oOlafrCakomfaprukltıelırkEngögsitneereebriilnmgektedir [1].

(EkaEmaxSrpaşAlçıall)ana,şamtVtıairiosıklnitaosarn)daıkrTa.çrıaLkMnlIasMefnvoaEcrbumitle(irLrlyoiök(cVnatilmTem)eItdnovtedeeurEpEyrlfvaferitciaşipebimanlettsoNeloleMjti-SoBdig1neoöilrr-mkaüsginuAmntzüğoaillsrlaetikrrisciaıi y@mKöitkauosnr.ülesruedükrukla,.btrernyleierfrteislaelrmdiaaraklrıtağasıd,ıınrkd. iaFloabkikatakt yihnbelıir,kk,kaamnssiedareğhrıablsautrlaıa,snıntkıdsaıan,abmkuraognivbikei

Özeütçzee—rindGe küannüsmerützesdpeit dsiisjtietmali öpnaetroillmojiiş,titrü. VmiöTrvleerEinffictieeşnhtiNsiet-vBe1 durumlar görülmeyebilmektedir.GÇİRoğİŞu zaman akciğer kanser

tahminmleimmeariksionninuseuvnrdişaimöntaebmalnilı bEirSAroml imoyanriasmineakgtaödreır.f1-Dskeorrinu, Öğrenmhaess(aDsiÖye)t yvöendtuemyalrelrıliınkinoragneınniışn ödlaçheaklbi auşayrgıulılasomnaulçalarrlavebradşiaği

tanısı Pozitron Emisyon Tomografi (PET), Manyetik Rezonans A(MkRci)ğevrekyaansBeirligidsaüynayralı gTeonmeloingdraefige(nBiTş)biirlekegsöirmüni tiüllgeinleipndiren

çıkma göyzelteemnleeğnimişgtöirz. Eönnüyünkesekalbınadşaığrımndaor, anbınua VtüiTr mmimoadreilslieril,e saardğılnıkdasnorkuensilnarıtnanını ibçainşınpdaatolgoejilkir.teÖşhlüisme iohrtaiynaıçyvüakrsdeırk [v2e]. kritik

histopaytaoklolajişkılmgışöorlüunpteünlearydreıntdıloı kLuIMsEınsıofnlaunçldaırrımnaaiseiçEinfficciaenzitpNetb-Bir1 bGierneslağolılkarakso, ruankucdiğuerr. kAakncseiğrier erkkaenksleerrdie hadsathaalığyınaaygıbnaşlıca çözüm moimlaarraiski ilekuullalaşınlmılımştaırk.tadır. Bu çalışma, histopatolojik ygaökrüallüarnkmena, sekbaedbıni lsairgaraaravseınadlakoldtaükestoimn idyirı.llBarudnaunayrtaışnı sıra

görüntülerAdneanhtaarkcKieğleimr eklearn—serEinvrinişimotsoelmSaintiikr Asğınlaırflı,anEdffıircmienatsNı eitç-Bin1, doğru vVeisyioonruTmralnasnfoarbmileir,bHiristmopaaktoinloejiö, ğArçeıknliamnaibtielikrnYiğapi aoyluZşetkuarmayı ka(EmaSraşAçıll)aa, şstmhitVgıearniAsıkcilfiabtaoiacpsrnatdaarnıbakrTtci.ltrri—toaLyMlneIosMIeiffnnvoEDcrtumhetoeetdep(LdrayLiyoaö'(ecgsVnaanrtilocnTesomii)nnIsgtdnveatexne(eDtdr,ELpEprd)fvrfeiermigtcdiaişietiebiactmhntllieotosNdpnesaleMottthf-oSoBotdliuh1onemagilnry-moadriglspeAm.nlaGğloaaylsrirasvtigriseceıinaExplansactailoenasp)plaicçaıtkiolanns,asbuiclhirmlikodemlseatroedbueyinlag inpcarteoalsoinjiglygeömrüpnlotyüelderais üzerindaen kaattnrsaecrtivteesspoiltustiisotnemfoir ötinsesurielmclaişstsiirfi.cVatiiTonvienEhfifsitcoipeantthNoelotg-Bic1al mimarisminaignes.eTvhriisşismtudytaabimansltıo eEstSaAblismh aimn acrcisuirnaete agnödreintfe1r-psrkeotarbul,e hassasimyeatchvienedlueayranrilnılgıktecohrnainquıneıfnordtahhe aubtoamşaartiıclıclsaosnsiufiçclaatrionveorfdluiğnig gözlemcleannmceirşftriro.mEhnistyoüpaktsheoklogbiacşaal rimımageosr.aInnınthae cVuirTrenmt iampaprroisaichil,ea yaklaşıclmanıcşeorludpeteenctaioynrınsytsıltıemLIMonEpsaotnhuoçlolgayrınima aisgeesEfifsicpiernoptNoseetd-Bb1y mimaricTsoirmailnpesafurolirnamşgıelrmC(ıoVşntiıvTro.)l,utainodnaEl ffNiceieunrtaNl etN-Bet1waorrckhsite(cCtuNrNess,),utViliizsiionng

AnathetarLoKceallimIenlterp—retEabvlreişMimosdeell-SaignnirosAtiğc laErxı,plEafnfaictiioennstN(eLtI-MB1E,) Vision Tinrtaernpsrfeotrambielrit,yHmisettohpoadt.olIotjih,aAs çbıkeelannoabbsielirrveYdapthaaytZtehkeaViT and

EfficientNet-B1 architectures outperform the convolution-based AbsCtrNaNct—archIintecttuordeaiyn'stercmosnotefxf1t,-scdoirgei,tparlecpisaiothno, laongdyrecpalallyrsateas.

significTanhet rVoiTle ainrchthiteecdtuiarge naopspirsoaanchdesprtheedihcitgiohnestofpetrufmoromras.ncGeivraetne, the capwahbiilleitytheofmDoeset pdeLteaailredninLgIM(DELr)esmuelttshoadres taochhieavneddlewlitahrgteh-e scale apEpffliicciaetnitoNnest,-sBu1cahrcmhoitdecetlusraer.e being increasingly employed as

cgoöğzlreamfilebnömlgeeklteedreir, y[3a]ş. g2r0u2p0laWrınHaO, kraalpıotsrlaalrıönzaelglöikrelerdeünvyea diğer dgeenğeişliknednelearkeciğberağklaınsoerliarvaakkalfaarırk2l.ı2l1ıkmiglyöosnteirkeebnilömlüeksateydısiır [1]. Kmö1etSerk.iaşo8ksshnterüemilnssmrueiiükelnraykviltoai,rzbkenroenurkyvlleiaaaeerfşnşrtemtisssıltaereaamrlrnkmldiedataarakaridaknrtlaırtıtrlağd(aa1s[ııdşr4,ı.t.ını]rvrB.kd.ıeliuaymFloadaıbşuk2ikra.ttuaaktemnyivhnıbdreleaıyir,),kökk,vnklaetiaemnnsmbissieedlyalerieeğrrnishrnilıabzeilsnaruttrlgüaeıaem,sknnısöntekiırdklsalllıeaini,krğailbinemk,uraognivbikei dkulirnuikmltaarnıgöiçrüinlmdeoykeublailrmdaenktegdiriirş.imÇsoelğubizyaompsainyaökncteimğeiyr lekanser töarnnıeskıleProazlimtraonyoElumniasyboaşnvTuroumrlaorg. rPaaftio(lPojEikTd),oMkuaönryneetkilkerRineiznonans (hMistRol)ojivkeyvaeyaBhilügcirseasyelarsleıviTyeodme ongihraifitü(mBöTr )türiüle vegöervürenstiülenip abredliırnlednaenbilkmeseikntedtairnı[5i]ç.inGpelaitşoenlojtiekkntoelşohjiseveihytiaypaaçy vzaerkdaır [2].

Gmeondelleroi lasroanku,cuakkcoiğmeprlikaksaynosneari seebrekpekloelradne gdiraişhiamseylaygın gyöörnütelmürlkeerinn,seykrealdtiılnmlaersi amaraaçslaınnmdaaktaddaır [6s].on yıllarda artış gGöüznlüemmülezdnemebkitlegdisiarya[r3].tab2a0n2l0ı gWörHünOtü raipşloermlaerınteakngiökrleeri,dünya g1Sseöpaed.zai8synetioltelememlldilomkeeiijnlkiasçykdtüıteokeirdkneagiacrurömkvirh[aceüa7ışinz]ğvmst.lüeetaaalBrnsenkıdurkndtiıaanıratfmdnelraısktaarlnenknadr[ilşaki4ıatlrliı]vmbezr.airıiarlnklmaiigakriılatboşaesitrıyonyıtaümdö2nkana.ıs2tteegi1ykmkölörtmeleüneşşnritthlietbryüimmusoloblenuerkönaritlminkeündlteaailinkenrrım.taöeeedllBkdsüırisue,.iskalyiğısiı, eGrekleişnmeişvrbeilkgaisnasyearrlearlignor(i1tm. valeayrıa v2e. eyvarpea)y vzeekbaelmirsimizartiülemriö, rlerin tpeaşthoilsoijni iuzzomralanşlatırrımnınakhtaadstıarl.ıkBlaurıdudrauhma diyai, ktalninımislyaemnalseırnagevneellikle

an attractiKveeywsoolrudtsio—n foCrontivsosluuetiocnlasNseifuircaaltioNnetwinorhki,stEofpfaictihenotlNogeti-cBa1l , kteldinaivki ptlannlıarıinçıinbeldirolekmuelasirndeanyargdıimrişciımolsaeblilmbeiykotepdsiri. yöntemiyle images.VTishioins stuTdryanasifmorsmteor,estaHbilsitsohpaatnoloagcyc,uraEtexpalanidnainblteerpArertiafibclieal öBruneçkaleışrmaaldmaa, aykocliuğnera hbiastşovpuartuorlolajir.gPöarütontlüoljeikrindeobkauzömrnoedkelerinin

machinIenltelaigrenninceg technique for the automatic classification of lung hoilsatroakloEjivkrişviemysaelhSüicnriresAeğllasreıv(iEySeAde), dnöihnaüişütmümtaöbrantülırVüisvieonevresi

cancer from histopathological images. In the current approach, a cancer detection system on pathology images is proposed by comparing Convolutional Neural Networks (CNNs), Vision Transformer (ViT), and EfficientNet-B1 architectures, utilizing the Local Interpretable Model-agnostic Explanations (LIME) interpretability method. It has been observed that the ViT and EfficientNet-B1 architectures outperform the convolution-based CNN architecture in terms of f1-score, precision, and recall rates.

belirlenebilmektedir [5]. Gelişen teknoloji ve yapay zeka modelleri sonucu komplikasyona sebep olan girişimsel yöntemlerin seyreltilmesi amaçlanmaktadır [6]. Günümüzde bilgisayar tabanlı görüntü işleme teknikleri, patolojik görüntülerin analizini otomatikleştirmektedir. Bu sayede süreci hızlandırmakla birlikte yüksek teşhis oranları elde edilmektedir [7]. Bu teknikler arasında görüntü bölütlemesi,

The ViT architecture approaches the highest performance rate, özellik çıkarma ve sınıflandırma gibi yöntemler bulunmaktadır.

while the most detailed LIME results are achieved with the Gelişmiş bilgisayar algoritmaları ve yapay zeka mimarileri,

EfficientNet-B1 architecture.

patoloji uzmanlarının hastalıkları daha iyi tanımlamasına ve

Keywords — Convolution Neural Network, EfficientNet-B1, Vision Transformer, Histopatology, Explainable Artificial

tedavi planlarını belirlemesine yardımcı olabilmektedir. Bu çalışmada, akciğer histopatoloji görüntülerine baz model

Inteligence

olarak Evrişimsel Sinir Ağları (ESA), dönüşüm tabanlı Vision

59/129

Transformer (ViT) ve evrişim tabanlı EfficientNet-B1

mimarileri uygulanmıştır. Derin Öğrenme (DÖ) modellerinin

uygulanmasıyla elde edilen kestirim sonuçları

karşılaştırılmıştır. Ardından tüm modellere ait sonuçlar

açıklanabilir yapay zeka yöntemi olan LIME (Local

Interpretable Model-agnostic Explanations)

ile

ilişkilendirilmiştir. LIME uygulaması sonucu elde edilen

görüntülerin ilgili bölgeleri çalışmada gösterilmiştir.

Mevcut Çalışmalar

Histopatolojik doku örneklerinin analizi ve sınıflandırılmasında

farklı yaklaşımlar göze çarpmaktadır. Literatür incelendiğinde

bu çalışmaların ağırlıklı olarak dönüşüm ve evrişim tabanlı

olduğu gözlemlenmektedir. Aitazaz ve ekibi (2023), akciğer

görüntülerini teşhis etmede ViT ve önceden eğitilmiş ESA

mimarilerinin etkinliğini karşılaştırılmıştır. Deneyin sonuçları,

ViT mimarisinin önceden eğitilmiş ESA mimarilerini

performans bakımından aştığını göstermiştir. Ayrıca, daha fazla

katmana sahip olan ViT-L32'nin ViT-B32'ye nazaran daha

doğru sonuçlar ürettiği bulunmuştur [8]. Ali ve Ali (2021),

geleneksel katmanlar, ayrılabilir evrişim katmanları ve kapsül

ağı içeren çok girişli bir hibrit model oluşturmuşlardır. Bu

modeli akciğer kanserini sınıflandırmak için kullanmışlardır.

Ön işleme aşamasında, gama düzeltme, renk dengeleme,

görüntü keskinleştirme ve çok ölçekli birleştirme

uygulanmıştır. Önerilen model iki giriş alır: i) standart evrişim

katmanları aracılığıyla birinci giriş bloğundan ham görüntüler

ve ii) ayrılabilir evrişim katmanları kullanılarak ikinci giriş

bloğundan işlenmiş görüntülerin her ikisi de sınıflandırma için

bir kapsül ağına bağlıdır. Deneysel analiz, önerilen modelin

tüm sınıflarda dikkate değer bir başarı elde ettiğini ve akciğer

kanseri için genel doğruluğun %99.58 olduğunu

göstermişlerdir [9]. Kumar ve ark. (2022), akciğer histopatoloji

görüntülerini sınıflandırmak için elle çıkarılan (hand-crafted)

özelliklerin

performansını

derin

özelliklerle

karşılaştırmışlardır. Elde edilen özellikler dört makine öğrenimi

algoritmasına uygulanmıştır: Gradient Boosting (GB), Çok

Katmanlı Algılayıcı (ÇKA), Rastgele Orman (RO) ve Radyal

fonksiyon tabanlı Destek Vektör Makinası (DVM-RBF).

Analiz sonrasında, derin özelliklere sahip sınıflandırıcıların

manuel özellikleri aştığını gözlemlemişlerdir [10]. Ibrahim ve

Talaat (2022), özellik çıkarmak için EfficientNet-B7 kullanarak

akciğer kanseri için çoklu sınıflandırma yapmak amacıyla

Modifiye Edilmiş Sinir Ağları (MNNs) kullanarak DÖ tabanlı

bir sistem önermişlerdir. Sonuçlara göre, bu sistem ile %99.5

doğruluk elde etmişlerdir [11]. Fan vd. (2021), akciğer

kategorizasyonu için softmax ve DVM tabanlı bir transfer

öğrenme mimarisi önermişlerdir. Sınıflandırma doğruluğunu

artırmak için softmax sınıflandırıcısının tam bağlı katmanı,

DVM sınıflandırıcısına bağlanmıştır. Önerilen modelin

LC25000 veri kümesi için %99.4 doğruluğa sahip olduğunu

göstermişlerdir [12]. Mehmood ve ekibi (2022), akciğer kanseri

histopatolojik görüntülerinin otomatik olarak teşhisi için etkili

bir transfer öğrenme stratejisi önermişlerdir. Bu yaklaşımda,

hesaplama maliyetini azaltmak ve doğruluğu artırmak amacıyla

kontrast artırma yöntemi tüm görüntülere değil, sadece

performansı düşük olan sınıfa uygulamıştır (%89'dan %98.4'e

kadar artış). Talukder ve ark. (2022), akciğer kanserini tespit

etmek için hibrit bir yaklaşım oluşturmuştur. Özellik çıkarımı için MobileNet kullanılıp sınıflandırma amacıyla birleşik yumuşak oylama sınıflandırıcısı kullanılmışlardır. Araştırma bulgularına göre, önerilen teknik ile akciğer kanserini sınıflandırmada %99.3 doğruluk sonucuna varılmıştır [13]. Mangal vd. (2020), akciğer kanserini tanımlamak amacıyla geliştirilmiş sığ bir ESA tabanlı teknik kullanmış ve akciğer kanseri için %97, doğruluk elde edilmiştir [14]. Adu ve ark. (2021), akciğer kanserini otomatik olarak tespit etmek ve sınıflandırmak için kapsül tabanlı bir metodoloji önermiştir. Bu çalışmada, kodlayıcı tabanlı benzersiz bir özellik birleştirme yaklaşımı ve özellik vektörünü bastırmak için yeni bir yatay sıkıştırma fonksiyonu geliştirilmiştir. Önerilen strateji ile %99.23 doğruluk oranı yakalanmıştır [15]. Hage Chehade ve ark. (2022), akciğer histopatolojik görüntülerin çoklu sınıflandırılması için özellik mühendisliğine dayalı yeni bir makine öğrenimi modeli önermiştir. Bu yöntem, birinci dereceden istatistikler, GLCM ve Hu değişmez momentler kullanılarak 37 manuel çıkarılmış özellik hesaplamışlardır. Akabinde bunları sınıflandırma işlemi için XGBoost sınıflandırıcısına uygulanmıştır. İlgili modelin LC25000 veri kümesi üzerinden test başarımının doğruluk performansı %99 olarak tespit edilmiştir.

MATERYAL VE METOT

A. Veri seti

Bu çalışmada, Kaggle platformundan LC25000 adlı veri seti kullanılmıştır. İlgili veri, Florida'da bulunan James Hastanesinde görev yapan Andrew Borkowski ve ekibi tarafından oluşturulmuştur. Veri seti, akciğer ve kolon kanseri histopatolojik görüntülerini içermektedir Akciğer kanseri üç farklı sınıftan oluşmaktadır. Orijinal görüntü boyutları (1024,768) olup görüntüler (768,768) şeklinde yeniden boyutlandırılmıştır. Veri seti toplamda 750 adet akciğer kanseri 500 adet kolon histopatolojik görüntü barındırmaktadır. Veri arttırma metodu sayesinde (sağ ve sol rotasyonlar- yatay ve dikey döndürmeler) her sınıftan 5000 adet olmak üzere toplamda 25000 adet görüntü elde edilmiştir. Önerilen çalışmada 15000 adet akciğer histopatolojik görüntüden faydalanılmıştır. Çalışmada kullanılan açık erişim veri setinde akciğer ve kolon kanseri görüntüleri ayrı ayrı sınıflandırılmıştır. Fakat önerilen metot sadece akciğer verisine uygulanmıştır. Verinin kapladığı alan bilgisi ve LC25000 adı kullanılması sebebi ile 2 sınıflı kolon görüntülerini de barındırdığı bilinmelidir. Tüm veri setinin kapladığı alan 1.85 GB büyüklüğündedir [16]. Akciğer kanseri için akciğer normal dokusu (ND), akciğer adenokarsinomu (ADK) ve akciğer skuamöz hücreli karsinom (SHK) olarak adlandırılan sınıflar çalışmada irdelenmiştir. Akciğer adenokarsinomu bronşlarda görülen ikinci en yaygın kanser türüdür. Akciğerdeki bez hücrelerinde ortaya çıkar. Skuamöz hücreli karsinom, tıpkı adenokarsinom gibi akciğerin alveol ve bronş epitelinden kaynaklanan habis tümörlerdir ve öncü lezyonlardan gelişirler. Patoloji rutininde girişimsel karsinom diyebilmek için hücresel düzeyde anormal görünümün yanında bu hücrelerin yapısal olarak da anormal davranışını saptamak gerekmektedir. Hücresel atipi daha çok hücrenin çekirdek özelliklerine

60/129

Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

(irileşme, hücresel sınır düzensizliği gibi) bakılarak

değerlendirilmektedir [17]. Son olarak kontrol grubu olan

bening hücreler ise normal doku olup vücudun diğer

bölgelerine yayılmamaktadır.

B. Metot

İlgili görüntüler (128,128,3) şeklinde yeniden boyutlandırılmış, EfficientNet-B1 mimarisi hariç, ESA ve ViT mimarisindeki [0255] piksel değerleri normalize edilerek [0-1] arasına indirgenmiştir. Toplam görüntülerin %80’i eğitim, %20’si test kümesine ayrılmıştır. Geri kalan eğitim kümesinin %20’si ise doğrulama kümesini oluşturmaktadır. Her sınıftan 5000 görüntü alınarak eğitim-test kümeleri dengeli oluşturulmuştur. Bu bağlamda üç farklı DÖ modeli kullanılmıştır. Model sonrası teşhis edilen görüntülere açıklanabilir bir yöntem uygulanıp sonuçlar karşılaştırılmıştır. Çalışmada izlenilen metot Şekil 1.’de özetlenmiştir.

Şekil 1. Mevcut çalışmada takip edilen metodoloji

1-Derin Öğrenme Modelleri

Evrişimsel Sinir Ağları (ESA): ESA, özellik çıkarımı ve sınıflandırma işlemlerini eş zamanlı olarak gerçekleştiren bir DÖ algoritmasıdır. Bu yöntem, ham verilerden özelliklerin otomatik olarak çıkarılması için evrişim aşamaları, aktivasyon fonksiyonları ve havuzlama katmanlarını kullanır. Evrişim işleminin özü, bir veya daha fazla filtre uygulanarak gerçekleştirilen bir matematiksel operasyona dayanmaktadır. Filtrelerin görüntü üzerinde seçilen piksel sayısı adımları ile kaydırılması sonucu özellik haritaları çıkarılır. Filtreleme adımına ait bağıntı Denklem (1)’de verilmiştir. ‘b’ bias (yanlılık) değerini, ‘x’ yerel bölgeyi, ‘y’ ise özellik haritasını temsil etmektedir [18].

???????????????????????? = ∑(???????????????????????? ∗ ???????????????????????? + ????????????????????????)

(1)

Önerilen ESA mimari yapısı Şekil 2’de gösterildiği gibidir. Bu çalışmada önerilen 3 katmanlı ESA modelinde katmanlardaki sinir hücresi sayısı sırası ile (8,16,32) şeklindedir. Her katmandaki kernel boyutu (3,3) olarak belirlenmiştir. Tüm evrişim işlemleri ardına (2,2) maksimum havuzlama uygulanmıştır. Mimariye (256,128) sinir hücresi sayılarında yoğunluk katmanı eklenmiştir. Hiper parametreler açısından batch boyutu 32, seyreltme oranı 0.3, öğrenme oranı 0.001, optimizasyon metodu olarak ‘Adam’, kayıp fonksiyonu olarak ‘categorical crossentropy’, aktivasyon fonksiyonu olarak ‘softmax’ ve son olarak eğitim boyunca epok sayısı 50 seçilmiştir.

Şekil 2. Önerilen ESA mimarisi yapısı

61/129

EfficientNet-B1: Google araştırma ekibinden Tan ve Le (2019), ConvNet sistemlerinin ölçeklendirme yöntemlerini inceleyerek temel yapıyı oluşturmuşlardır [19]. Araştırmacılar, ConvNet' e daha fazla katman ekleyerek onları daha geniş ve derin hale getirip yüksek çözünürlüklerle uğraşmak oldukça zahmetli olabileceği için saniye başına kayan nokta işlemi (FLOPS) kullanıp temel bir ConvNet oluşturmak adına EfficientNet modeli kullanmışlardır. Bu mimari EfficientNet-B0 olarak adlandırılmıştır. Bu aşamadan sonra, EfficientNet-B1, EficientNet-B0'ı ölçeklendirerek oluşturulmuştur. Ölçekleme işlevini daha sonra EfficientNet-B7'ye uygulamışlardır. ImageNet veri kümesi üzerinde EfficientNet-B7 modelini kullanarak üst düzey doğruluk elde etmişlerdir. EfficientNet, diğer birçok derin öğrenme mimarisinden farklı olarak, ağın derinliği, genişliği ve çözünürlüğünü dengelemektedir. Bu dengeleme, daha iyi performans sağlamak için optimize edilmektedir. EfficientNet mimarisi daha sonra nesne tespiti için farklı çözünürlüklerde kaynaştırılmış özellikler kullanan EfficientNet (B0,B1,B2,B3,B4,B5,B6,B7) ailesini oluşturmak için kullanılmıştır [20]. Bu nedenle ilgili çalışmada, analiz edilen görüntülerin boyutu ve eğitim kolaylığı göz önünde bulundurularak EfficientNet-B1 ağ mimarisi tercih edilmiştir. Giriş görüntüleri (128,128,3) için normalizasyon işlemi uygulanmayıp görüntülerin orijinal piksel değerleri ile giriş tensörleri oluşturulmuştur. Mevcut çalışmada transfer öğrenme tabanlı EfficientNet-B1 derin öğrenme mimarisinin özellik çıkarıcı olarak kullanılıp dense (yoğun) katmanı ile birleştirilerek yapılan sınıf tahmini Şekil 3.’ de gösterilmiştir. EfficientNet-B1 mimarisindeki katmanlar dondurularak ImageNet ağırlıklarının kullanımı ile önerilen görüntü sınıflandırma problemi, önceden eğitilmiş bir derin öğrenme modelinin özelliklerinin alınıp, yeni veri kümesindeki örnekler için sınıflandırma yapılmasını sağlar. Böylelikle büyük miktarda veriye ihtiyaç duymadan etkili bir şekilde yeni bir görev için modelin uyarlanması gerçekleştirilir. İlgili mimaride havuzlama olarak ‘average pooling’ seçilmiştir. Tam bağlı katmandaki sinir hücresi sayıları (2048, 1024, 512, 256, 128) şeklindedir. Bunun dışındaki hiper parametreler önerilen ESA modeli ile benzerlik göstermektedir.

Şekil 3. EfficientNet-B1 derin öğrenme mimarisinin akciğer patolojik görüntü tahminlenmesinde kullanımı

Vision Tranformer (ViT): Vaswani vd. (2015), DÖ mimarilerinin kodlayıcı ve çözücü bloklarından oluşan karmaşık evrişimli modellerin dikkat mekanizmaları ile entegre olmasını sağlamışlardır. Böylece yinelemeli ve evrişimsel blokları tamamen ortadan kaldırmayı hedeflemişlerdir [21]. Bu çalışmaya dayanarak Dosovitskiy ve ekibi (2021), geleneksel Transformer modelinin görüntü

sınıflandırma uygulamalarında kullanılmasını amaçlamışlardır [22]. ViT, girdi olarak bir görüntüyü alıp önceden belirlenmiş belirli bir boyut ve piksel çözünürlüğüne sahip görüntüleri küçük yamalara böler. Daha sonra, bu görüntü yamalarını düz vektörlere dönüştürür ve bir dizi dikkat katmanı üzerinden işler. ViT modelinin mimari yapısı Şekil 4.’de gösterilmiştir. Görüntüyü vektöre dönüştüren bağıntı Denklem (2)’de verilmiştir. Bu denklemde her bir görüntü için elde edilen terimler şu şekildedir: n yama sayısı, h yükseklik, w genişlik ve p piksel netliğini vermektedir. Ardından görüntü yamaları ????????????2???????????????????????? boyutunda vektörlere çevrilir.

???????????? = (ℎ????????????????????????)/????????????2

(2)

Modelde (128,128,3) olan girdi görüntüleri (72,72,3) şeklinde yeniden boyutlandırılmıştır. Daha sonra her bir kenar 6 adet yamaya bölünmüştür. Böylelikle bir görüntüden toplamda (6x6) 36 adet yama elde edilmiştir. Modele ait diğer hiper parametreler şu şekildedir: Kayıp fonksiyonu seyrek kategori, ağırlık azalması 0.0001, projeksiyon boyutu 64, dönüşüm birimindeki projeksiyon boyutu 2, dönüşüm katmanının boyutu 8, son sınıflandırıcı olan çok katmanlı algılayıcının sinir hücresi sayıları (2018,1024) olarak belirlenmiştir. Önerilen ViT mimarisinde büyük veri gereksiniminden dolayı eğitim kümesinde veri artırımı yoluna gidilmiştir. Mimarinin içyapısı gereği ilgili değişimler belirli oranda görüntülerin y eksenine göre simetriğinin alınması, 0.02 faktörü ile döndürülmesi ve hem yatay hem düşeyde 0.2 faktörü ile yakınlaştırma şeklindedir. Bu işlemin amacı olası test görüntülerine karşı sistemi gürbüz bir şekilde eğitmeye yöneliktir.

Şekil 4. Çalışmada kullanılan ViT mimarisine ait genel içyapı [22].

2-Performans Metrikleri

Makine öğrenimi ile ilgili performans metrikleri, hassasiyet, geri çağırma, F1skoru ve doğruluk değerleri dahil olmak üzere ölçülecektir. Kesinlik, doğru pozitiflerin (DP) doğru pozitifler ve yanlış pozitifler (YP) toplamına oranı olarak hesaplanır. Yani, doğru pozitiflerin toplam pozitif tahminlere oranıdır. Duyarlılık, doğru pozitiflerin toplam doğru pozitifler ve yanlış negatifler (YN) toplamına oranı olarak hesaplanır. Yani, doğru pozitiflerin toplam pozitif gerçekler ile oranıdır. F1 skoru, kesinlik ve duyarlılığın harmonik ortalamasıdır. Dengesiz sınıflandırma problemlerinde sıklıkla tercih edilir. Doğruluk, bir model tarafından yapılan tahminlerin genel doğruluğunu ölçer. Doğruluk, doğru tahminlerin (DN, YP) toplam tahminlere oranı olarak hesaplanır. Performans metrikleri hesaplamasının özeti Tablo 1'de bulunmaktadır.

62/129

Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

kümelerine ait doğruluk ve kayıp değerleri ile test kümelerine

ait karmaşıklık matrisleri Şekil 5.’de verilmiştir. Karmaşıklık

Tablo 1. Performans metrikleri matematiksel hesabı

Kesinlik DP

Duyarlılık DP

DP + YP

F1-skor

2x

Kesinlik Kesinlik

x +

Duyarlılık Duyarlılık

DP + YN Doğruluk DP + DN

DP + YP + YN + DN

matrislerinden çıkarılan metrikler ise Tablo 2.’de bir arada hesaplanmıştır. ViT mimarisinin evrişim tabanlı ESA ve EfficientNet-B1 mimarisine göre daha başarılı sonuçlar verdiği gözlemlenmiştir. ESA mimarisi %87.93, EfficientNet-B1 mimarisi %96.97 ve ViT mimarisi %98.40 doğruluk değerlerine ulaşmıştır. Derin mimariler sonucu farklı doku örneklerinden çıkarılan özelliklere ait doku konumları LIME

metodu ile belirlenerek Şekil 6.’da gösterilmiştir.

3-Açıklanabilir Yapay Zeka Metodu:

Önerilen çalışmanın bulgularına göre, ViT mimarisi doğruluk, hassasiyet ve duyarlılık gibi performans metrikleri açısından

LIME (Local Interpretable Model-agnostic Explanations): DÖ modelleri, genellikle karmaşık yapısı ve yüksek boyutlu veriler üzerindeki etkin performansıyla dikkat çekmektedir. İlgili modeller literatür çalışmalarında ‘kara kutu’ modeller olarak adlandırılmaktadır [23]. Bu terim, DÖ modellerinin iç işleyişi ve karar süreçlerinin anlaşılmasının zorluğunu ifade eder. Bu durum kritik uygulamalarda DÖ kullanımını kısıtlamaktadır. Tıbbi teşhis gibi kritik disiplinlerde makine öğrenimi kullanımında tahminlere tamamen güvenilmez, çünkü sonuçlar yanıltıcı olabilir. Bireysel tahminlere güvenmekten başka, modelin saha koşullarında kullanılmadan önce bütün olarak değerlendirilmesi de gerekmektedir. Bu kararı vermek için, kullanıcıların modelin gerçek dünya verilerinde iyi performans göstereceğine ve ilgi çeken ölçütler doğrultusunda değerlendirileceğine güvenmeleri gerekmektedir. Bu sebeple DÖ algoritmalarının iç işleyişini anlamak ve şeffaf hale getirmek amacıyla açıklanabilir modeller kullanılmaktadır. Çalışmada eğitim ve test işlemi sonrasında açıklanabilir modellerden biri olan LIME metodu kullanılmıştır. LIME metodunda amaç seçilen örnekleme DÖ metodunda alınan giriş ve tahminlerin neden yaptığını anlamak ve bu tahminlere yakın yeni tahmin bölgeleri belirlemektir. Yeni ağırlıklar elde edilen tahminlere göre ağırlıklandırılmaktadır. Görüntüler tahmin için (1,128,128,3) olarak yeniden boyutlandırılmıştır. Test kümesinden doğru olarak sınıflandırılan rastgele seçilmiş görüntü örnekleri ile modelin görüntü üzerinden özellik çıkardığı ilgili bölgeler kestirilmeye çalışılmıştır. LIME metodu kararlarını belirli bir örnek veya örnek kümesi üzerinde anlamlandırır. Model agnostik bir yaklaşım benimseyip herhangi bir makine öğrenmesi modeli ile uyumlu çalışır. Bu sayede temel bir açıklayıcı yapay zeka modeli olarak sıklıkla kullanılmaktadır [24].

incelendiğinde akciğer kanseri özelliği taşıyan histopatolojik dokuları sağlıklı görüntülerden ayırma amacıyla EfficientNetB1 ve ESA mimarisine kıyasla daha az parametre sayısı ile daha etkili bir sonuca ulaşmıştır. Evrişim tabanlı ESA ve transfer öğrenmeye dayalı EfficientNet-B1 mimarileri dikkat mekanizmasına dayalı dönüşüm tabanlı ViT mimarisinin performans olarak gerisinde kalmıştır. Önerilen evrişim tabanlı mimariler arasında EfficientNet-B1 mimarisi patolojik görüntü sınıflandırma uygulamalarında daha başarılı performans sergilemiştir. Ek olarak EfficientNet-B1 mimarisi transfer öğrenme ile kullanılırken ESA mimarisi rastgele parametrelerle başlatılarak eğitilmiştir. Her iki mimari de evrişim tabanlı olmasına rağmen bu durum ESA mimarisi için dezavantajlı bir durum olarak kabul edilebilir. Önceden öğrenilmiş ağırlıkların yeni veri setlerindeki kullanımına ait yüksek başarımlar transfer öğrenmenin getirdiği en önemli kazançlardan biridir [25]. Ayrıca derin katmanlı EfficientNet-B1 modelinin LIME gibi model agnostik yaklaşımlarda görüntüdeki detayları çok sayıda kümelemesi patolojik görüntü uygulamalarında önem taşıdığını göstermektedir ancak ilgili mimarinin efektif kullanımı için tüm slayt görüntülerden faydalanmak daha doğru bir yaklaşım olacaktır. İlgilenilen kanserli kısımlar ve önerilen derin öğrenme mimarileri arasındaki ilişki açısından şu şekilde bir yorumdan bahsedilebilir: i) ESA mimarisi akciğer kanserine ait ilgili yerlerden özellik çıkarırken bu bölgeyi daha geniş tutup ilgisiz yerlerden de örüntü toplamıştır. ii) EfficientNet-B1 algoritmasında kümelenen alanlar çok sayıdadır. Bu bağlamda tüm slaytlardan yararlanmak daha doğru olacaktır. İlgili görseller yama görüntülerini temsil etmektedir. iii) ViT mimarisinde ise hem sınıflandırma başarımı en yüksek olup hem de en anlamlı bölgelerden özellik çıkarılmıştır. Sonuç olarak ViT akciğer kanserine ilişkin patolojik kesitlerin analizinde an doğru ve anlamlı sonuçlar üretmiştir. Çalışmada,

????????????ç????????????????????????????????????????????????????????????????????????(????????????) = ????????????????????????????????????????????????????????????€???????????? ????????????(????????????, , ????????????????????????) + Ω()

(3)

LIME açıklanabilirlik yöntemi kullanılarak ViT, ESA ve EfficientNet-B1 mimarilerinin eğitildiği görüntülerde öğrenilen

Denklem (3)’de x açıklanmak istenen görüntü, g vekil model, f asıl model, ???????????????????????? ise x görüntüsüne yakınlık ölçeği, L kayıp fonksiyonu minimum yapan fonksiyon ve Ω() vekil modelin özellik miktarını az sayıda tutabilmek için kullanılan bir fonksiyondur.

bölgelerin belirgin bir şekilde işaretlenmesi, araştırmaya önemli bir değer katmıştır. Bu yaklaşım, DÖ mimarilerinin içsel öğrenme mekanizmalarını daha anlaşılır ve yorumlanabilir hale getirerek modelin hangi özellikleri ve bölgeleri vurgulayarak öğrendiğini açıklığa kavuşturmaktadır. Görüntü üzerinde işaretlenen kümeler ilgili bölgeleri teşhis etmek için

BULGULAR VE TARTIŞMA

Çalışmada kullanılan veri seti ve mevcut yöntem, patolojik görüntülerin işlenmesinde ve yorumlanmasında literatüre katkı sağlamaktadır. 50 epok boyunca alınan eğitim validasyon

kullanılmıştır. Bu bağlamda öğrenilen bölgelerin vurgulanması, modelin kararlarını ve öğrenme süreçlerini daha şeffaf bir şekilde anlaşılmasına yardımcı olarak önerilen çalışmanın genel etkisini arttırmaktadır. Bu çalışmada kullanılan

63/129

(128,128,3) görüntü boyutları (256,256,3) ve (512,512,3) boyutları için de denenmiş olup benzer sonuçlar vermiştir. Bu bağlamda GPU ve zaman kısıtından ötürü çalışmada küçük boyutlu görüntüler tercih edilmiştir. Çalışmada önerilen 3 katmanlı ESA modelinde seçilen eğitim parametrelerinin belirlenmesinde hiper-parametre optimizasyonu yapılmamıştır. Ayrıca tek bir açıklanabilir metot kullanıldığından bu uygulamaları destekleyecek farklı açıklanabilir metotlarının ortaya konmaması çalışmanın eksik görülen noktalarından bazılarıdır. Gelecek çalışmalarda histopatolojik görüntülerdeki kanser teşhisini geliştirmek amacıyla farklı DÖ modellerinin geliştirilmesi ve birden fazla açıklana bilirlik yöntemlerinin karşılaştırmalı analizinin yapılması hedeflenmektedir. Seçilen verinin hücresel ve dokusal bakımdan uzmanlık gerektiren görüntüler olması sebebiyle ileride yapılacak histopatolojik görüntü analizlerinin uzman bir patolog eşliğinde sonuçları yorumlaması çalışmaya katkı sunacaktır.

Mevcut çalışmanın yenilikçi yanları Mevcut Çalışmalar başlığı altında verilen literatür özeti ile kıyaslandığında şu şekilde sıralanabilir: Çoklu Model Karşılaştırması: ESA, ViT ve EfficientNet-B1 mimarileri karşılaştırılarak kapsamlı bir analiz yapılmıştır. Farklı derin öğrenme mimarilerini aynı veri kümesi üzerinde sistematik olarak karşılaştıran çalışmalar sınırlıdır. Bu çalışma, farklı modellerin performansını aynı veri seti ve aynı metrikler kullanarak doğrudan karşılaştırmaktadır. Açıklanabilirlik Metodolojisi: LIME metodunu kullanarak modellerin çıktılarının açıklanabilirliği değerlendirilmiştir. Literatürde açıklanabilirlik metotları genellikle sınırlı kullanılmıştır. Bu çalışmada, LIME ile modelin karar verme süreçlerinin görselleştirilmesi, modelin güvenilirliğini ve klinik uygulamalardaki kullanım potansiyelini artırmaktadır. Yüksek Doğruluk Oranları: ViT mimarisinin %98.40 doğruluk oranına ulaşması ve EfficientNet-B1'in %96.97 doğruluk oranı ile yakın sonuçlar vermesine bulgular kısmında yer verilmiştir. Literatürdeki diğer çalışmalarla karşılaştırıldığında, önerilen yöntemlerin daha yüksek doğruluk oranlarına ulaşması, çalışmanın başarısını göstermektedir. Detaylı Performans Değerlendirmesi: Performans değerlendirmesinin sadece doğruluk oranıyla sınırlı kalmaması, diğer önemli metriklerin de kapsamlı bir şekilde analiz edilmesi, çalışmanın derinliğini ve geçerliliğini artırmaktadır. Farklı Mimari Yapıların Kullanımı: Literatürdeki çalışmaların çoğu ya sadece ESA ya da tek bir model mimarisi üzerine odaklanmıştır. Bu çalışmanın farklı mimarileri bir araya getirmesi ve karşılaştırması yenilikçi bir yaklaşım sunmaktadır. Açıklanabilir makine öğrenmesi ile ayrıntılı ve şeffaf sonuçlar: Literatürde LIME metodunun kullanımı yaygın değildir ve bu metodun özellikle EfficientNetB1 ve ViT ile entegrasyonu, model çıktılarının daha iyi anlaşılmasını ve yorumlanmasını sağlamaktadır.

64/129

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

Eğitim/Validasyon Doğruluk

Eğitim/Validasyon Kayıp

Karmaşıklık Matrisi

ES A

Şekil 5. ESA, ViT ve EfficientNet-B1 derin öğrenme mimarilerine ilişkin eğitim/validasyon kümelerine ait epoklar boyunca doğruluk-kayıp değerleri ile test kümesi karmaşıklık matrisleri

Tablo 2. Önerilen derin öğrenme mimarileri sonucu elde edilen performans metrikleri

Derin Öğrenme Sınıflar Kesinlik Duyarlılık f1 skor Genel Doğruluk

Mimarisi

ESA

0.64

0.78

0.74

0.85

0.8793

0.9840

EfficientNet-B1 ADK

0.9697

65/129

66/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 ESA

Skuamöz Hücreli Karsinom

Adenokarsinom

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

Bening (Normal) Doku

Şekil 6. Adenokarsinom, skuamöz hücreli karsinom ve normal doku örnek görüntülerine ilişkin uygulanan derin mimariler sonucu LIME açıklanabilir yapay zeka metoduna ait gösterimler

TEŞEKKÜR

Yazarlar ilgili çalışmada Dicle Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü’nün (DÜBAP), sağladıkları finansal destek için (Proje No: MÜHENDİSLİK.17.019) teşekkürlerini [8] sunmaktadır. Ayrıca Acıbadem Maslak Hastanesi Mehmet Ali Aydınlar Üniversitesinde patolog olarak görev yapan Cavit

Cancer Lett., vol. 471, no. December 2019, pp. 61–71, 2020, doi: 10.1016/j.canlet.2019.12.007.

T. Aitazaz, A. Tubaishat, F. Al-Obeidat, B. Shah, T. Zia, and A. Tariq, “Transfer learning for histopathology images: an empirical study,” Neural Comput. Appl., vol. 35, no. 11, pp. 7963–7974, 2023, doi: 10.1007/s00521-022-07516-7.

Kerem Kayhan’a sonuçların yorumlanmasındaki değerli [9] katkıları için teşekkürlerimizi sunarız.

M. Ali and R. Ali, “Multi-Input Dual-Stream Capsule Network for Improved Lung and Colon Cancer Classification,” Diagnostics, vol. 11, no. 8, 2021, doi: 10.3390/diagnostics11081485.

KAYNAKLAR

[10] N. Kumar, M. Sharma, V. P. Singh, C. Madan, and S. Mehandia, “An empirical study of handcrafted and dense feature extraction

techniques for lung and colon cancer classification from

[1]

M. B. Schabath and M. L. Cote, “Cancer progress and priorities: Lung

histopathological images,” Biomed. Signal Process. Control, vol. 75,

cancer,” Cancer Epidemiol. Biomarkers Prev., vol. 28, no. 10, pp.

p. 103596, 2022, doi: https://doi.org/10.1016/j.bspc.2022.103596.

1563–1579, 2019, doi: 10.1158/1055-9965.EPI-19-0221.

[11] N. yahia Ibrahim and A. S. Talaat, “An Enhancement Technique to

[2]

M. C. Staff, “Cancer.” Accessed: May 06, 2024. [Online]. Available:

https://www.mayoclinic.org/diseases-conditions/cancer/symptomscauses/syc-20370588

Diagnose Colon and Lung Cancer by using Double CLAHE and Deep Learning,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 8, 2022, doi: https://doi.org/10.14569/IJACSA.2022.0130833.

[3]

L. L. Zullig et al., “Cancer incidence among patients of the U.S. [12] J. Fan, J. Lee, and Y. Lee, “A Transfer Learning Architecture Based

veterans affairs health care system: 2010 update,” Mil. Med., vol. 182,

on a Support Vector Machine for Histopathology Image

no. 7, pp. e1883–e1891, 2017, doi: 10.7205/MILMED-D-16-00371.

Classification,” Appl. Sci., vol. 11, no. 14, 2021, doi:

[4]

World Health Organization, “Cancer.” Accessed: May 02, 2024.

10.3390/app11146380.

[Online]. Available: https://www.who.int/news-room/fact- [13] M. A. Talukder, M. M. Islam, M. A. Uddin, A. Akhter, K. F. Hasan,

sheets/detail/cancer

and M. A. Moni, “Machine learning-based lung and colon cancer

[5]

W. D. Travis, “Pathology of Lung Cancer,” Clin. Chest Med., vol. 32,

detection using deep feature extraction and ensemble learning,”

no. 4, pp. 669–692, 2011, doi: 10.1016/j.ccm.2011.08.005.

Expert Syst. Appl., vol. 205, p. 117695, 2022, doi:

[6]

L. Succony, D. M. Rassl, A. P. Barker, F. M. McCaughan, and R. C.

https://doi.org/10.1016/j.eswa.2022.117695.

Rintoul, “Adenocarcinoma spectrum lesions of the lung: Detection, [14] S. Mangal, A. Chaurasia, and A. Khajanchi, “Convolution Neural

pathology and treatment strategies,” Cancer Treat. Rev., vol. 99, no.

Networks for diagnosing colon and lung cancer histopathological

May, p. 102237, 2021, doi: 10.1016/j.ctrv.2021.102237.

images.” 2020.

[7]

S. Huang, J. Yang, S. Fong, and Q. Zhao, “Artificial intelligence in [15] K. Adu, Y. Yu, J. Cai, K. Owusu-Agyemang, B. A. Twumasi, and X.

cancer diagnosis and prognosis: Opportunities and challenges,”

Wang, “DHS-CapsNet: Dual horizontal squash capsule networks for

lung and colon cancer classification from whole slide

67/129

histopathological images,” Int. J. Imaging Syst. Technol., vol. 31, no.

(NIPS), Long Beach, 2015.

4, pp. 2075–2092, 2021, doi: https://doi.org/10.1002/ima.22569.

[22] A. Dosovitskiy, L. Beyer, A. Kolesnikov, and D. Weissenborn, “An

[16] A. A. Borkowski, M. M. Bui, L. B. Thomas, C. P. Wilson, L. A.

Image is Worth 16x16 Words: Transformers for Image Recognition

DeLand, and S. M. Mastorides, “Lung and Colon Cancer

at Scale,” in ICLR 2021, 2021.

Histopathological Image Dataset (LC25000),” pp. 1–2, 2019.

[23] B. H. M. van der Velden, H. J. Kuijf, K. G. A. Gilhuijs, and M. A.

[17] J. M. JR Goldblum, LW Lamps, Rosai and Ackerman’s Surgical

Viergever, “Explainable artificial intelligence (XAI) in deep

Pathology. 2017.

learning-based medical image analysis,” Medical Image Analysis,

[18] C. Ieracitano, N. Mammone, A. Bramanti, A. Hussain, and F. C.

vol. 79. Elsevier B.V., Jul. 01, 2022. doi:

Morabito, “A Convolutional Neural Network approach for

10.1016/j.media.2022.102470.

classification of dementia stages based on 2D-spectral representation [24] M. T. Ribeiro, S. Singh, and C. Guestrin, “‘Why Should I Trust You?’

of EEG recordings,” Neurocomputing, vol. 323, pp. 96–107, 2019,

Explaining the Predictions of Any Classifier,” NAACL-HLT 2016 -

doi: 10.1016/j.neucom.2018.09.071.

2016 Conf. North Am. Chapter Assoc. Comput. Linguist. Hum. Lang.

[19] S. Han, H. Mao, and W. J. Dally, “Deep compression: Compressing deep neural networks with pruning, trained quantization and Huffman

Technol. Proc. Demonstr. Sess., pp. 97–101, 2016, doi: 10.18653/v1/n16-3020.

coding,” 4th Int. Conf. Learn. Represent. ICLR 2016 - Conf. Track [25] G. Marques, D. Agarwal, and I. de la Torre Díez, “Automated

Proc., pp. 1–14, 2016.

medical diagnosis of COVID-19 through EfficientNet convolutional

[20] M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for

neural network,” Appl. Soft Comput., vol. 96, p. 106691, 2020, doi:

convolutional neural networks,” 36th Int. Conf. Mach. Learn. ICML

https://doi.org/10.1016/j.asoc.2020.106691.

2019, vol. 2019-June, pp. 10691–10700, 2019.

[21] A. Vaswani, N. Shazeer, and N. Parmar, “Attention is All You Need,” in 31st Conference on Neural Information Processing Systems

Delal Şeker, Diyarbakır Rekabet Kurumu Anadolu Lisesi’ nden mezun olduktan sonra (2011) lisans (2012-2016) ve yüksek lisans (2018-2020) eğitimini Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümü’ nde tamamladı. 2021 yılından beri doktora eğitimi aynı bölümde devam etmektedir. TÜBİTAK 1001 Projesi kapsamında ‘Kantitatif Sentetik Prostat Manyetik Rezonans Görüntülemede Makina Öğrenmesi ile Prostat Kanserinin Değerlendirilmesi’ başlıklı projesinde doktora bursiyeri olarak araştırmalarını sürdürmektedir.

Mustafa Said Kartal, 1998 yılında Afyonkarahisar'da doğdu. İlköğretim ve ortaöğretim eğitimini Afyonkarahisar'da tamamladı. 2018 yılında Sivas Cumhuriyet Üniversitesi Tıp Fakültesi'ne başladı. 2021 yılında hastane yazılımları üreten bir şirkette Veri Bilimci olarak çalışmaya başladı. Nisan 2023'ten beri tıp eğitimine devam ederken Hevi AI'da Makine Öğrenimi Mühendisi olarak görev yapmaktadır.

Abdulnasır Yıldız, Lisans Eğitimini 9 Eylül Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde tamamladıktan sonra (1997) yüksek lisans (2002) ve doktorasını (2011) Fırat Üniversitesinde bitirmiştir. Şu anda Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde Doçent olarak görev yapmaktadır. Ana araştırma ilgi alanları işaret işleme ve örüntü sınıflandırmadır.

İlkay Öksüz, İstanbul Alman Lisesinden mezun olduktan sonra lisans eğitimini İstanbul Teknik Üniversitesi Elektrik Elektronik Mühendisliği Bölümü'nde tamamlamıştır. Daha önce, King's College London Biyomedikal Mühendisliği Bölümü'nde araştırma görevlisi olarak çalışmıştır. Doktora eğitimini, IMT İleri Araştırmalar Okulu'nda Bilgisayar, Karar ve Sistem Bilimleri alanında tamamlamıştır. Ana araştırma ilgi alanları görüntü segmentasyonu, görüntü kaydırma ve makine öğrenimidir. Şu anda İstanbul Teknik Üniversitesi Bilgisayar Mühendisliği bölümünde Doçent olarak görev yapmaktadır.

68/129

Delal Şeker, Diyarbakır Rekabet Kurumu Anadolu Lisesi’ nden mezun olduktan sonra (2011) lisans (2012-2016) ve yüksek lisans (20182020) eğitimini Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümü’ nde tamamladı. 2021 yılından beri doktora eğitimi aynı bölümde devam etmektedir. TÜBİTAK 1001 Projesi kapsamında ‘Kantitatif Sentetik Prostat Manyetik Rezonans Görüntülemede Makina Öğrenmesi ile Prostat Kanserinin Değerlendirilmesi’ başlıklı projesinde doktora bursiyeri olarak araştırmalarını sürdürmektedir.

Mustafa Said Kartal, 1998 yılında Afyonkarahisar’da doğdu. İlköğretim ve ortaöğretim eğitimini Afyonkarahisar’da tamamladı. 2018 yılında Sivas Cumhuriyet Üniversitesi Tıp Fakültesi’ne başladı. 2021 yılında hastane yazılımları üreten bir şirkette Veri Bilimci olarak çalışmaya başladı. Nisan 2023’ten beri tıp eğitimine devam ederken Hevi AI’da Makine Öğrenimi Mühendisi olarak görev yapmaktadır.

Abdulnasır Yıldız, Lisans Eğitimini 9 Eylül Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde tamamladıktan sonra (1997) yüksek lisans (2002) ve doktorasını (2011) Fırat Üniversitesinde bitirmiştir. Şu anda Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde Doçent olarak görev yapmaktadır. Ana araştırma ilgi alanları işaret işleme ve örüntü sınıflandırmadır.

İlkay Öksüz, İstanbul Alman Lisesinden mezun olduktan sonra lisans eğitimini İstanbul Teknik Üniversitesi Elektrik Elektronik Mühendisliği Bölümü’nde tamamlamıştır. Daha önce, King’s College London Biyomedikal Mühendisliği Bölümü’nde araştırma görevlisi olarak çalışmıştır. Doktora eğitimini, IMT İleri Araştırmalar Okulu’nda Bilgisayar, Karar ve Sistem Bilimleri alanında tamamlamıştır. Ana araştırma ilgi alanları görüntü segmentasyonu, görüntü kaydırma ve makine öğrenimidir. Şu anda İstanbul Teknik Üniversitesi Bilgisayar Mühendisliği bölümünde Doçent olarak görev yapmaktadır.

69/129