EfficientNetB0 and SVM Based Approach for Colon Cancer Recognition from Histopathological Images

Abstract

Kolon kanseri, gelişmiş ülkelerde ciddi bir sağlık sorunu olmakta ve en sık görülen kanser türleri arasında gelmektedir. Bu hastalığın erken teşhisi hastaların hayatta kalma şansını artırmaktadır. Geciken teşhisler ise ölümle sonuçlanabilmektedir. Bu çalışmada kolon kanseri tespiti için EfficientNetB0 ve destek vektör makineleri (DVM) tabanlı bir model önerilmiştir. EfficientNetB0 mimarisi ile histopatolojik görüntülerden öznitelik haritalarının çıkarılması sağlanırken, DVM algoritması ile elde edilen öznitelik haritalarının sınıflandırılması gerçekleştirilmektedir. Ayrıca önerilen modelin başarısını analiz etmek üzere EfficientNetB0, Xception, VGG19, InceptionV3, DenseNet121 ve ResNet101 gibi evrişimli sinir ağları (ESA) mimarileri ile performans kıyaslaması yapılmıştır. Veri kümesi olarak sekiz sınıflı Kather-5k ve iki sınıflı LC25000 veri kümeleri kullanılmıştır. Elde edilen bulgular, önerilen modelin Kather-5k veri kümesi kullanıldığında %99.70 doğruluk, %100 kesinlik, %100 duyarlılık, %100 F1-Score, %99.71 G-ortalama, %100 özgüllük ve %99.83 AUC ile mevcut ESA mimarilerine kıyasla daha yüksek başarı sağladığını göstermiştir. LC25000 veri kümesi kullanıldığında ise önerilen model tüm metriklerde %100 başarı elde etmiştir. Benzer şekilde Kather-5k ve LC25000 veri kümeleri birleşiminden oluşan veri kümesi kullanıldığında önerilen model, %99.96 doğruluk, %100 kesinlik, %100 duyarlılık, %100 F1-Score, %99.92 G-ortalama, %100 özgüllük ve %99.96 AUC oranı ile diğer modellere kıyasla daha yüksek performans göstermiştir. Ayrıca önerilen model ile EfficientNetB0 mimarisinin başarısında önemli oranda bir başarı artışı sağlanmıştır.