Abstract:
Son yıllarda teknolojinin gelişmesiyle sayısal histopatolojide oldukça önemli gelişmeler yaşandı. Yüksek çözünürlüklü görüntüleme teknolojisinin gelişmesiyle birlikte histopatolojik görüntülerde Bilgisayar Destkli Teşhis (BDT) yapmak olağan hale geldi. Elde edilen görüntülere birçok sinyal ve görüntü işleme, örüntü tanıma ve makine öğrenmesi yöntemleri uygulanmaktadır. Histopatolojide son zamanlarda teknolojinin de gelişmesiyle son derece önemli adımlar atılmıştır. Bu yüksek çözünürlüklü görüntüleme teknolojisinde yaşanan gelişmelerle birlikte histopatolojik görüntüler üzerinde bilgisayar destekli analizler yapma imkanı da artmıştır. Bilgisayar desteğinin artması da bu yüksek çözünürlüklü veriler üzerinde işaret ve görüntü işleme, örüntü tanıma ve makine öğrenmesi yöntemleri uygulanagelmiştir. Histopatolojik görüntülerde mitoz belirleme, hastalığın teşhisi açısından büyük rol oynadığından özellikle bu konuda birçok çalışma yapılmaktadır. Gerek üniversiteler gerekse özel sektör Bilgisayar Destekli Teşhis (BDT) konusunda ar-ge çalışmaları yapmaktadır. Bu çalışmaların temel amacı hem patologların iş yükünü azaltmak hem de bu konuda insan faktöründen kaynaklanan hataların hastaya etkisini azaltmaktır. Histopatolojide ilk safha görüntüdeki hücresel yapıların diğer hücresel olmayan yapılardan ayrılmasıdır. Elimizdeki farklı tarayıcılardan çekilen histopatolojik görüntülere örüntü tanıma veya makine öğrenmesi yöntemlerini uygulayıp görüntüdeki ilgili hücreleri bulmayı sağlarız. Hücrelerin tespiti için hücre büyüklüklerinin, şeklinin, sınırların ve dağılımının doğru olarak belirlenmesi gerekmektedir. Hücreler ayrıldıktan sonra mitozlu ve mitozsuz hücre ayırımının yapılması işlemi gerçekleştirilmektedir. Öznitelik çıkarma işlemi, histopatolojik görüntülerde mitotik ve mitotik olmayan bölgelerin ayrılmasında oldukça önem arz etmektedir. Bu bağlamda, ilk yaklaşımda hücrelerin farklı şekilsel bilgileri referans alınarak insan tanımada sıkça kullanılan ve farklı alanlarda da etkinliği öne çıkan yönlü gradyanlar histogramın (YGH- Histogram of Oriented Gradients)?dan faydalanılarak öznitelik çıkarma işlemi gerçekleştirilmiştir. Çalışmanın ikinci yaklaşımında ise ilk yaklaşımdan farklı olarak öznitelik çıkarımı, seçilen her bir pikselin farklı pencere boyutlarına ait gri-düzey eş oluşum matrisleri (GDOM- Gray-level Co-occurrence Matrices) elde edilerek Haralick dokusal tanımlayıcısına aktarılmış buradan her bir pencere boyutuna ait o pikseli temsil eden öznitelik vektörleri elde edilmiştir. Öznitelik çıkarma işleminden sonra, elde edilen öznitelik vektörleri eğiticili sınıflandırma yöntemleri olan DVM, Rastgele ormanlar (RasOr) ve Rotasyon ormanları (RotOr) yöntemleriyle sınıflandırılmıştır. Piksel tabanlı sınıflandırmada farklı renk uzaylarının sınıflandırmaya etkisinin incelenebilmesi için görüntüler La*b* renk uzayına dönüştürülmüştür. Bu çalışmada renk uzaylarının sınıflandırma başarısına etkisinin çok fazla bir etkisinin olmadığı saptanmıştır. Elde edilen eğiticili sınıflama sonuçları nesnel karşılaştırma kıstasları kullanılarak değerlendirilip yorumlanmıştır.