BREAST TUMOR SEGMENTATION AND CLASSIFICATION ON HISTOPATHOLOGICAL IMAGES USING MACHINE LEARNING

Abstract

ABSTRACT

Breast cancer detection using software has gained significant attention and development due to its potential to improve early detection, accuracy, and efficiency in identifying breast cancer. Early detection and classification is crucial for successful breast cancer treatment. Software-based detection algorithms can analyze medical images, such as mammograms, and identify potential abnormalities at an early stage, increasing the chances of successful treatment and reducing mortality rates. Therefore, the distinction between normal and malignant breast tissue can be used in diagnostic procedures as well as preoperative and postoperative assessments. Radiologists will be able to identify malignancies without making incisions in patients thanks to the growth of machine learning models and other technologies. Therefore, this study proposed a model consisting of two steps: first, characteristics from CNN are extracted, and then machine learning (SVM) is used to recognize and categorize breast tumors (benign or malignant). Due to the extensive amount of training pictures used, CNN-based SVM eventually becomes overfitted. We now have an SVM that employs transfer learning and is based on CNN. Tumors in brain histopathological pictures are categorized using CNN-based Relu architecture and SVM with fused retrieved features via CNN. Precision, recall, F-measure, and accuracy have all been used to gauge the techniques' effectiveness. According to the findings, SVM-based CNN has a 97% success rate on BreakHis.

ÖZET

Meme tümörleri tedaviden önce histopatolojik görüntülerini kullanılarak sınıflandırılabilir; çünkü bu tümörler bir grup anormal dokudan oluşturulmuştur. Beyin histopatolojik resimlerinden tümör segmentasyonu ve sınıflandırması karmaşık ama çok önemli olduğunu biliyoruz. Ancak, bu segmentasyon ve kategorizasyon postoperatif değerlendirmelere, preoperatif planlamaya ve teşhise uygulanabilir. Bu nedenle, normal ve habis meme dokusu arasındaki ayrım, teşhis prosedürlerinde olduğu kadar ameliyat öncesi ve ameliyat sonrası değerlendirmelerde de kullanılabilir. Uzmanlar, makine öğrenimi modellerinin ve diğer teknolojilerin büyümesi sayesinde hastalarda kesi yapmadan maligniteleri belirleyebilecekler. Bu çalışmada iki adımdan oluşan bir model önerdik: ilk olarak, CNN'den özellikler çıkarıldı ve ardından tümörleri (iyi veya kötü) tanımak ve kategorize etmek için makine öğrenimi (SVM) kullanıldı. Kullanılan çok sayıda eğitim görüntüleri nedeniyle, CNN tabanlı SVM sonunda gereğinden fazla takılır. Artık transfer öğrenmeyi kullanan ve CNN'ye dayalı bir SVM'ye sahibiz. Histopatolojik resimlerindeki tümörler, CNN tabanlı Relu mimarisi ve CNN aracılığıyla birleştirilmiş özellikleri içeren SVM kullanılarak kategorize edilir. Kesinlik, hatırlama, F-ölçüsü ve doğruluğun tümü, tekniklerin etkinliğini ölçmek için kullanılmıştır. Bulgulara göre SVM tabanlı CNN, BreakHis üzerinde %97 başarı oranına sahip model elde ettik.