Computer aided detection of cancer using histopathology images

Abstract

Detecting colon adenomatous polyps early is crucial for reducing colon cancer risk. This thesis investigated various deep learning approaches for computer-aided diagnosis of colon polyps on histopathology images using deep learning. The thesis addressed key challenges in polyp classification, including differentiating adenomatous polyps from non-adenomatous tissues and multi-class classification of polyp types. Initially, a histopathology image dataset is collected and refined from Kayseri City Hospital. The first study used stain normalization algorithms and an ensemble framework for binary classification, achieving 95% accuracy on the custom dataset and 91.1% and 90% on UnitoPatho and EBHI datasets, respectively. The second study implemented a tailored version of the supervised contrastive learning model for multi-class classification, outperforming state-of-the-art deep learning models with accuracies of 87.1% on custom dataset and 70.3% on UnitoPatho dataset. The third study proposed a self-supervised contrastive learning approach for utilizing all data in cases of limited labeled images. This approach achieved better performance than transfer learning with ImageNet pre-trained models. In conclusion, this PhD thesis investigated deep learning approaches for computer-aided diagnosis of colon polyps on histopathology images, demonstrating high accuracy in binary and multi-class classification, outperforming state-of-the-art models. These findings contribute to improving colon polyp classification accuracy and efficiency, ultimately facilitating the early detection and prevention of colon cancer.

Kolon adenomatoz poliplerinin erken tespiti kolon kanseri riskini azaltmak için önem arz etmektedir. Bu tez, histopatoloji görüntüleri üzerinde kolon poliplerinin bilgisayar destekli teşhisi için çeşitli derin öğrenme yaklaşımlarını araştırmıştır. Tez çalışmaları sırasında, polip sınıflandırmasındaki ana zorluklar ele alınarak, adenomatoz polipleri adenomatoz olmayan dokulardan ayrılması ve polip tiplerinin sınıflandırması gibi konulara odaklanılmıştır. Tezin ilk kısmında, Kayseri Şehir Hastanesi'nden histopatoloji görüntü veri seti toplanıp iyileştirilmiştir. İkinci kısım, birinci çalışma sırasında, boya normalizasyon algoritmaları ve topluluk çerçevesi kullanılarak ikili sınıflandırma görevi için toplanan veri setinde %95, UnitoPatho ve EBHI veri setlerinde sırasıyla %91.1 ve %90 doğruluk elde edilmiştir. İkinci çalışmada, çoklu sınıflandırma için özelleştirilmiş bir denetimli kontrastif öğrenme modeli uygulanmış, ve geliştirilen modelin performansı önceden eğitilmiş derin öğrenme modellerini geçmiştir. Toplanan veri setinde %87,1, UnitoPatho veri setinde %70,3 doğruluk elde edilmiştir. Üçüncü çalışma, sınırlı sayıda etiketli görüntü olduğu durumda tüm verilerin kullanılması için bir kendinden denetimli kontrastif öğrenme yaklaşımı önermiştir. Bu yaklaşım ImageNet ile önceden eğitilmiş modellerle karşılaştırıldığında daha iyi performans göstermiştir. Sonuç olarak, bu doktora tezi, histopatoloji görüntüleri üzerinde kolon poliplerinin bilgisayar destekli teşhisi için derin öğrenme yaklaşımlarını araştırmıştır ve ikili ve çoklu sınıflandırmada yüksek doğruluk göstererek, mevcut modelleri geride bırakmıştır. Bu bulgular, kolon polip sınıflandırma doğruluğunun ve etkinliğinin geliştirilmesine katkıda bulunmaktadır ve sonuç olarak kolon kanserinin erken teşhisini ve önlenmesini kolaylaştırmaktadır.