Histopatoloji Görüntülerinin Sınıflandırılması için Sinir Mimarisi Arama

Abstract

Histopatoloji görüntülerinin otomatik sınıflandırılması tıbbi tanı süreçlerinde önemli rol oynamaktadır. Son yıllarda, sinir mimarisi arama yöntemleri derin ögrenme modellerinin otomatik olarak tasarlanmasını saglayarak bu alandaki önemli sorunlardan biri olan model seçim sürecini optimize etmeyi amaçlar. Bu çalışmada, histopatoloji görüntü sınıflandırması için Karşıtlık-Temelli Diferansiyel Evrim algoritması kullanılarak yeni bir yaklaşım önerilmektedir. Önerilen yöntem, PBC-NAS mimarisini temel almakta olup, plato probleminin çözülmesi amacıyla gelisştirilmisş bir arama stratejisi içermektedir ve EBHI görüntü veri kümesi üzerinde degerlendirilmiştir. Deneysel çalışmalarda, önerilen yöntem dogruluk ve işlem süresi açısından ResNet, MobileNet ve DenseNet gibi derin ögrenme modelleriyle kıyaslanmısştır. Önerilen yöntem, 5 kata kadar daha az hesaplama süresi ile yüksek rekabetçi (0.5 puan fark) sonuçlar elde etmisştir ve bu medikal görüntü analizi için çok önemlidir.

The accurate classification of histopathology images is important in medical diagnosis processes. In recent years, Neural Architecture Search (NAS) methods have been developed to optimize the model selection process, one of the important problems in this field, by enabling the automatic design of deep learning models. This study proposes a new neural architecture search method for histopathology image classification using the Opposition-Based Differential Evolution (ODE) algorithm. The proposed method is based on the PBC-NAS architecture and includes a search strategy developed to solve plateau problems. The performance of the proposed method is evaluated on the En-teroscope Biopsy Histopathological H&E (EBHI) image dataset. In the experimental studies, the proposed method is compared with deep learning models such as ResNet, MobileNet, and DenseNet, which are widely used in the literature in terms of accuracy and processing time. The proposed method achieves highly competitive results (0.5 points difference) with up to 5 times less computation time, which is crucial for medical image analysis.