Abstract:
Kanser Dünya çapında insan hayatına tehdit unsuru olan en büyük etmenlerden
biridir. Kanserli hastalıklarda ölüm oranı oldukça yüksektir. Kanser tedavisinin
ba¸sarılı sonuç vermesini etkileyen en önemli etmenlerden biri erken teşhistir. İnsan
dokusundan alınan örnekler üzerinde uzun ve dikkat gerektiren işlemler sonucu
kanser tespiti yapılmaktadır. Patolog ve doktorların yoğunlukları, iş hayatlarındaki
stres, özel yaşamlarında ya¸sayabilecekleri problemler hata yapma ihtimallerini artıran
etmenlerdir. Patolog ve doktorların hata yapma ihtimallerini en aza indiren, verdikleri
kararları destekleyen ya da ikinci bir fikir sunan bilgisayar destekli karar destek
makineleri önemli bir ihtiyaç haline gelmiştir.
Bu çalışmada da biyomedikal görüntü çeşitlerinden olan histopatolojik görüntülerde
üzerinde bölüşleme ve sınıflandırma problemleri üzerine yoğunlaşılmıştır.
Histopatolojik görüntülerin alınmasında kullanılan donanımların farklılıkları, HE
boyamadan kaynaklı renk farkları gibi sebeplerden dolayı histopatolojik görüntüler
üzerinde çalışmalar zorlaşmaktadır.
İlk çalışmada, HistopathologyBreastCancer veri seti kullanılarak hücre tespiti çalışması
yapılmıştır. Çalışmada, yer doğru bilgisi içeren histopatolojik görüntülerde hücresel
bölgelerin tespiti yapılması amaçlanmıştır. Öncelikle görüntü içerisinden alınan
pencerelerde, Gabor filtresi kullanılarak, belirli yönlerde belirli frekans içeriğinin olup
olmadığını bulmak amaçlanmış, pencerelenen bölgelerden öznitelikler çıkarılmıştır.
Böylece eğitim ve test veri setleri oluşturulmuştur. Daha sonra çıkarılan eğitim
veri setleri kullanılarak K-En Yakın Kom¸sular (k-EYK), Destek Vektör Makinesi
xv
(DVM) ve Rastgele Ormanlar (RO) eğiticili sınıflandırma yöntemleri kullanılarak
sınıflandırma yapılmıştır. Test verileri kullanılarak yapılan sınıflandırmaların
başarıları gözlemlenmiş, elde edilen sonuçlar tablo ¸seklinde sunulmuştur.
ikinci çalışmada, Bioimaging Challenge 2015 Breast Histology veri seti kullanılarak
kanser tespiti ve derecelendirilmesi yapılması amaçlanmıştır. Etiketli örnek sayısı
4812 olan eğitim verisi üzerinde yerel ikili örüntü (Y˙IÖ) histogramları çıkarılarak
ve Gabor filtreleri kullanılarak öznitelik matrisleri olu¸sturulmu¸stur. Sonrasında
ise, k-EYK, karar ağacı (KA) ve topluluk öğrenmesi (TÖ) yöntemleri olan bagging,
adaboost, RO gibi öğreticili sınıflandırma yöntemleri kullanılarak sınıflandırma işlemi
gerçekleştirilmiştir. Test verisi olarak ayrıştırılan 491 adet görüntü ile yapılan
sınıflandırmaların başarıları hesaplanmıştır. Çalışmanın sonunda öznitelik çıkarma
yöntemleri ve sınıflandırıcıların başarıları karşılaştırılmış elde edilen sonuçlar tablolar
halinde sunulmuştur.
Üçüncü çalışmada, TCNB_NucleiSegmentation veri seti üzerinde hücre bölütlemesi
çalışması yapılmıştır. Veri setinde var olan görüntüler yapay veri üretme yöntemi
ile çoğaltılmıştır. Veri setinde bulunan YD görüntüleri kullanılarak yalnızca hücre
sınırlarını içeren ikinci bir YD görüntü seti oluşturulmuştur. Eğitim ve test verisi olarak
ayrıştırılan veri seti, histogram eşitleme işleminde geçirilerek 64 64, 128 128
ve 512 512 piksellik parçalara ayrıştırılmıştır. 3 farklı boyda oluşturulan setler
ve iki farklı YD görüntüsü ayrı ayrı kullanılarak UNet ile eğitim gerçekleşmiştir.
Eğitim sonucunda elde edilen çıktı görüntüsü üzerinde threshold işlemi ile iyileştirme
yapılmıştır. 64 64 ve 128 128 piksellik görüntüler ile gerçekleştirilen eğitim çıktıları
topluluk öğrenmesi yöntemine benzer bir teknik ile birleştirilerek 512 512 piksellik
görüntüler haline getirilmişlerdir. Birleştirme işleminin başarıya etkisi de ayrı olarak
gözlemlenmiştir.
Çalışma boyunca tüm gerçekleştirilen adımların başarıları gözlemlenmiş ve sonuçlar,
tablolar halinde sunulmuştur.