CNNs ile Yumurtalık Tümörü Sınıflandırması: Mimari Karşılaştırması ve Veri Artırmanın Etkisi

Abstract

Ovarian Tumor Classification with CNNs: Architecture Comparison and the Impact of Data Augmentation Classifying ovarian tumor subtypes based on histopathological images is quite challenging. This is primarily because different subtypes often exhibit similar morphological characteristics. Furthermore, the limited availability of sufficiently large and accurately labeled medical datasets makes developing reliable classification models complex. These factors complicate the diagnostic process and require robust feature extraction methods to distinguish between closely related subtypes. In this research, a comprehensive comparative analysis of five convolutional neural network architectures—EfficientNet-B3, InceptionV3, ResNet50V2, DenseNet121, and Xception—is performed to automatically recognize malignant ovarian subtypes. The study specifically focuses on serous, mucinous, endometrioid, and clear cell carcinoma, as well as non-cancerous tissue. Advanced data augmentation strategies are applied to the publicly available Ovarian Cancer and Subtypes Histopathology dataset to improve model robustness and reduce overfitting. This approach allows us to evaluate how increasing data diversity affects the performance of different architectures during the training phase. In order to ensure consistency across all experimental evaluations, each architecture was evaluated under same experimental conditions. Performance was measured using accuracy, sensitivity, specificity, and F1-weighted scores. In particular, training dynamics were analyzed to determine how varying data scales and regularization techniques affect the generalization gap for each architecture. The results show which combinations of models and augmentation techniques perform best performance, especially for subtypes with similar visual features. These findings suggest practical configurations for applying deep learning in digital pathology by demonstrating how standardized training improves classification. This work provides a foundation to develop diagnostic tools that support pathologists in identifying ovarian cancer subtypes more accurately.Evrişimsel Sinir Ağları (CNN) ile Yumurtalık Tümörü Sınıflandırması: Mimari Karşılaştırması ve Veri Artırmanın Etkisi Yumurtalık kanseri alt tiplerinin histopatoloji görüntülerinden sınıflandırılması zor bir görevdir; çünkü farklı sınıflar çoğu zaman birbirine çok benzer morfolojik örüntüler gösterebilir. Ayrıca, büyük ve etiketlenmiş tıbbi veri setlerinin sınırlı olması, güvenilir modellerin eğitilmesini zorlaştırmaktadır. Bu faktörler tanı sürecini karmaşık hale getirmekte ve birbirine yakın alt tipleri ayırt edebilmek için güçlü özellik çıkarım yöntemlerine ihtiyaç duyulmasına neden olmaktadır. Bu araştırmada, yumurtalık kanseri alt tiplerinin otomatik olarak tanınması amacıyla beş evrişimli sinir ağı mimarisinin kapsamlı bir karşılaştırmalı analizi yapılmıştır. Bu mimariler EfficientNet-B3, InceptionV3, ResNet50V2, DenseNet121 ve Xception'dır. Tez çalışmasında özellikle seröz, müsinöz, endometrioid ve clear cell karsinom alt tipleri ile kanserli olmayan doku örnekleri ele alınmıştır. Model dayanıklılığını artırmak ve aşırı öğrenmeyi azaltmak amacıyla, kamuya açık Ovarian Cancer and Subtypes Histopathology veri seti üzerinde gelişmiş veri artırma stratejileri uygulanmıştır. Bu yaklaşım, veri seti çeşitliliğindeki artışın eğitim süreci boyunca her bir mimarinin performansını nasıl etkilediğinin değerlendirilmesine olanak sağlamaktadır. Tüm testlerde tutarlılığı sağlamak için her mimari aynı deneysel ayarlar altında değerlendirilmiştir. Performans; doğruluk, duyarlılık, özgüllük ve ağırlıklı F1 skoru kullanılarak ölçülmüştür. Özellikle, farklı veri ölçeklerinin ve düzenlileştirme tekniklerinin her bir mimaride genelleme farkını nasıl etkilediğini belirlemek için eğitim dinamikleri analiz edilmiştir. Sonuçlar, özellikle görsel özellikleri birbirine benzeyen alt tiplerde hangi model ve veri artırma yöntemi kombinasyonlarının daha iyi performans gösterdiğini ortaya koymaktadır. Bu bulgular, standartlaştırılmış eğitimin sınıflandırma başarısını nasıl iyileştirdiğini göstererek dijital patolojide derin öğrenmenin uygulanmasına yönelik pratik yapılandırmalar sunmaktadır. Bu çalışma, patologların yumurtalık kanseri alt tiplerini daha doğru tanımlamasını destekleyebilecek tanı araçlarının geliştirilmesi için bir temel sağlamaktadır.