Bu çalışmada, mikroskoba monte edilmiş kamera ile çekilmiş ve Hematoksilen ve Eozin boyama tekniğiyle boyanmış, insana ait renkli kolon doku görüntüleri üzerinde çalışılmıştır. Çalışma iki aşamadan oluşmaktadır. İlk aşamada kolon tümör görüntüleri üzerinde hücre ve hücre çekirdeklerinin bölütlenmesi için geliştirilmiş k-ortalamalar kümeleme algoritması önerilmiştir. Önerilen geliştirilmiş k-ortalamalar kümeleme algoritmasında başlangıç küme merkezleri, renk aralığının küme sayısına bölünmesi ile elde edilen değerlerin atanması ile belirlenmiştir. Önerilen algoritma ile ağırlıklı k-ortalamalar kümeleme algoritması karşılaştırılmıştır. Karşılaştırma sırasında tüm işlemler aynı şartlar altında 3 defa tekrarlanmış ve algoritmaların performansı ve kararlı olma durumları incelenmiştir. Yapılan deneyler sonucunda, geliştirilmiş k-ortalamalar kümeleme algoritmasının, iterasyon sayısını ve dolayısıyla da işlem zamanını kısalttığı tespit edilmiştir. Ayrıca ilk küme merkezlerinin rasgele belirlenmesi yerine önerilen yaklaşım ile belirlenmesi sonucunda daha kararlı olduğu görülmüştür. Buna ilave olarak bölütleme sonucunda elde edilen görüntülerin orijinal görüntülere olan benzerliği, histogram tabanlı benzerlik algoritması kullanılarak hesaplanmıştır. Bu hesaplama sonucunda, geliştirilmiş k-ortalamalar kümeleme algoritması orijinal görüntülere daha benzer olduğu tespit edilmiştir. İkinci aşamada ise evrişimli sinir ağları modellerinden AlexNet ve GoogLeNet modelleri kullanılarak kolon kanser sınıflandırması üzerine yeni bir yaklaşım önerilmiştir. Bu yaklaşımda evrişimli sinir ağlarının orijinal ham görüntüler kullanılarak eğitilmesi yerine ilk aşamada önerdiğimiz bölütleme yöntemi ile renk kümelerine bölütlenmiş görüntülerin kullanılarak eğitilmesi önerilmiştir. Bunun için orijinal-ham görüntülerin olduğu veri kümesi ile bölütlenmiş görüntülerin olduğu veri kümesinden 20 farklı yapıda ve farklı özellikte görüntü veri setleri elde edilmiştir. Oluşturulan veri setleri AlexNet ve GoogLeNet evrişimli sinir ağları modellerinde kullanılarak eğitilmiş ve test edilmiştir. Elde edilen test sonuçlarına göre karmaşıklık matrisleri oluşturulmuş, ROC eğrileri çizilmiş ve AUC değerleri hesaplanmıştır. Elde edilen sonuçlara göre, bölütlenmiş görüntüler kullanılarak eğitilen AlexNet modelinin %2 ile %23 arasında bir model performans artışı gösterdiği, GoogLeNet modelinin ise %2 ile %27 arasında bir model performans artışı gösterdiği tespit edilmiştir. Ayrıca veri dağılımının düzgün yapılmadığı veri setlerinde önerilen yaklaşımın daha yüksek performans artışı gösterdiği görülmüştür.
This study is based on color human colon tissue images, shot with a microscope mounted camera and dyed with the Hematoxylin and Eosin dye technique. The study is composed of two stages. The first stage led to the proposal of the augmented k-means clustering algorithm for the segmentation of cells and cell nuclei on colon tumor images. In the proposed augmented k-means clustering algorithm, the starting cluster centers were identified with the assignment of the values obtained by dividing the color range by the number of clusters. The proposed algorithm was then compared with the weighted k-means clustering algorithm. During the comparison, all processes were repeated 3 times under the same set of conditions, with a view to analyzing the performance and stability of the algorithms. The experiments revealed that the augmented k-means clustering algorithm reduced the iteration count and consequently the process time. Moreover, the use of the proposed approach instead of the random positioning of the initial cluster centers was observed to lead to higher stability. In addition, the similarity of the images obtained through segmentation with the original ones was assessed using the histogram-based similarity algorithm. The assessment found that the use of the augmented k-means clustering algorithm produced images which are more similar to the original images. In the second stage, on the other hand, two models of convolutional neural networks –AlexNet and GoogLeNet– were employed, culminating in a new approach towards the classification of colon cancer. In this context, for the purpose of training the convolutional neural networks, the images segmented into color clusters through the segmentation method proposed in the first stage, instead of the original-raw images, were employed. For this purpose, 20 datasets of images which are distinct in terms of their structure and characteristics were derived from the larger datasets comprised of the original-raw images, as well as the segmented images. The datasets thus produced were then employed with the AlexNet and GoogLeNet convolutional neural network models, to train them and for testing. The test results provided the input for the development of confusion matrices, drawing of ROC curves, and the calculation of AUC values. The results show that the AlexNet model trained through the use of the segmented images registered a 2% to 23% increase in the model performance, whereas the GoogLeNet model thus trained had a 2% to 27% increase in the model performance. Furthermore, the proposed approach was found to lead to higher performance with the datasets in which the data was not homogenous.
