Akciğer Kanseri Histopatolojik Görüntü Sınıflandırmasının K-kat Çapraz Doğrulama ve Vahanade Tabanlı Dijital Görüntü İşleme Hattı Kullanılarak Geliştirilmesi

Abstract

Küresel kanser ölümlerinin önde gelen nedeni olan akciğer kanseri, kesin ve etkili tanı çözümleri gerektirir. Bu çalışma, LC25000 veri setinden yinelenenleri kaldırarak, üç sınıfta 14195 dengeli görüntüye (4727/4744/4724) düşüren yeni bir ön işleme adımı sunar; bu daha önce belgelenmemiş bir iyileştirmedir. 5 katlı çapraz doğrulama (5 epoch) altında InceptionResNetV2 ve ConViT-Small kullanılarak yapılan ilk sınıflandırma, hiperparametre ayarlaması olmadan benzeri görülmemiş bir maliyet etkinliği göstererek neredeyse mükemmel doğruluk (≤6 hata) elde etti. Daha düşük hesaplama gereksinimi nedeniyle seçilen ConViT-Small, TIFF dönüştürme ve renk normalizasyonu yoluyla daha da optimize edildi. Test edilen yöntemler arasında, Vahanade'nin dönüşümü Reinhard ve hibrit tekniklerden (örn. DCT-DWT, CLAHE) daha iyi performans göstererek, mükkemel doğruluk (0 hata), Kappa ve MCC puanları elde etti. Veri seti iyileştirme, hafif derin öğrenme ve sağlam görüntü işlemeyi entegre ederek, bu çalışma yüksek doğruluklu akciğer kanseri sınıflandırmasını ilerletiyor ve tıbbi görüntüleme için ölçeklenebilir çözümler sunuyor.

Lung cancer, the leading cause of global cancer deaths, requires precise and efficient diagnostic solutions. This work introduces a novel preprocessing step that removes duplicates from the LC25000 dataset, reducing it to 14195 balanced images (4727/4744/4724) in three classes, which is a previously undocumented improvement. Initial classification using InceptionResNetV2 and ConViT-Small under 5-fold cross-validation (5 epochs) achieved almost perfect accuracy (≤6 errors), demonstrating unprecedented cost-effectiveness without hyperparameter tuning. ConViT-Small, selected due to its lower computational requirement, was further optimized via TIFF conversion and color normalization. Among the tested methods, Vahanade's transform outperformed Reinhard and hybrid techniques (e.g. DCT-DWT, CLAHE), achieving excellent accuracy (0 errors), Kappa, and MCC scores. By integrating dataset curation, lightweight deep learning, and robust image processing, this work advances high-accuracy lung cancer classification and provides scalable solutions for medical imaging.