Benzerlik metriği öğrenme, bir uzaklık öğrenme yaklaşımı olup aynı sınıfa ait örnekler arasındaki benzerliği arttırmayı, farklı sınıflar arasındaki benzerliği ise azaltmayı hedeflemektedir. Son yıllarda derin öğrenmenin elde ettiği başarıyla beraber benzerlik metriği öğrenmenin derin ağ modellerinde başarıyla uygulanabileceği görülmüştür. Bu çalışmada derin metrik öğrenme modellerinden olan Siamese ve Triplet ağ modelleri kullanılarak histopatolojik görüntülerde bir sınıflandırma işlemi gerçekleştirilmiştir. Histopatolojik görüntüler radyologlar tarafından tanı amacıyla kullanılırken sağlıklı ve sağlıksız görüntülerini birbirinden ayırmak oldukça zorlayıcıdır. Bu çalışmada literatürde başarısını kanıtlamış olan transfer öğrenme yöntemleri derin metrik öğrenme modellerine entegre edilmiştir. Yapılan çalışma sonucunda Siamese+VGG19 ağ modelinde %95,39 başarı elde edilirken, Triplet+VGG19 ağ modelinde ise %96,92 sınıflandırma başarısı elde edilmiştir.
Similarity metric learning is a distance learning approach that aims to increase the similarity between instances of the same class and decrease the similarity between instances of different classes. With the success of deep learning in recent years, it has been seen that similarity metric learning can be successfully applied in deep network models. In this study, a classification process was performed on histopathologic images using Siamese and Triplet network models, which are deep metric learning models. While histopathologic images are used by radiologists for diagnostic purposes, it is very challenging to distinguish between healthy and unhealthy images. In this study, transfer learning methods that have proven their success in the literature are integrated into deep metric learning models. As a result of the study, the Siamese+VGG19 network model achieved 95.39% success, while the Triplet+VGG19 network model achieved 96.92% classification success.
