Uzamsal Bilgi Kullanarak Histopatolojik GörüntüAnalizi

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.