Bölütlenmiş histopatolojik görüntüler üzerinde derin öğrenme yöntemiyle kolon kanseri tespiti

Bu çalışmada, mikroskoba monte edilmiş kamera ile çekilmiş ve Hematoksilen ve Eozin boyama tekniğiyle boyanmış, insana ait renkli kolon doku görüntüleri üzerinde çalışılmıştır. Çalışma iki aşamadan oluşmaktadır. İlk aşamada kolon tümör görüntüleri üzerinde hücre ve hücre çekirdeklerinin bölütlenmesi için geliştirilmiş k-ortalamalar kümeleme algoritması önerilmiştir. Önerilen geliştirilmiş k-ortalamalar kümeleme algoritmasında başlangıç küme merkezleri, renk aralığının küme sayısına bölünmesi ile elde edilen değerlerin atanması ile belirlenmiştir. Önerilen algoritma ile ağırlıklı k-ortalamalar kümeleme algoritması karşılaştırılmıştır. Karşılaştırma sırasında tüm işlemler aynı şartlar altında 3 defa tekrarlanmış ve algoritmaların performansı ve kararlı olma durumları incelenmiştir. Yapılan deneyler sonucunda, geliştirilmiş k-ortalamalar kümeleme algoritmasının, iterasyon sayısını ve dolayısıyla da işlem zamanını kısalttığı tespit edilmiştir. Ayrıca ilk küme merkezlerinin rasgele belirlenmesi yerine önerilen yaklaşım ile belirlenmesi sonucunda daha kararlı olduğu görülmüştür. Buna ilave olarak bölütleme sonucunda elde edilen görüntülerin orijinal görüntülere olan benzerliği, histogram tabanlı benzerlik algoritması kullanılarak hesaplanmıştır. Bu hesaplama sonucunda, geliştirilmiş k-ortalamalar kümeleme algoritması orijinal görüntülere daha benzer olduğu tespit edilmiştir. İkinci aşamada ise evrişimli sinir ağları modellerinden AlexNet ve GoogLeNet modelleri kullanılarak kolon kanser sınıflandırması üzerine yeni bir yaklaşım önerilmiştir. Bu yaklaşımda evrişimli sinir ağlarının orijinal ham görüntüler kullanılarak eğitilmesi yerine ilk aşamada önerdiğimiz bölütleme yöntemi ile renk kümelerine bölütlenmiş görüntülerin kullanılarak eğitilmesi önerilmiştir. Bunun için orijinal-ham görüntülerin olduğu veri kümesi ile bölütlenmiş görüntülerin olduğu veri kümesinden 20 farklı yapıda ve farklı özellikte görüntü veri setleri elde edilmiştir. Oluşturulan veri setleri AlexNet ve GoogLeNet evrişimli sinir ağları modellerinde kullanılarak eğitilmiş ve test edilmiştir. Elde edilen test sonuçlarına göre karmaşıklık matrisleri oluşturulmuş, ROC eğrileri çizilmiş ve AUC değerleri hesaplanmıştır. Elde edilen sonuçlara göre, bölütlenmiş görüntüler kullanılarak eğitilen AlexNet modelinin %2 ile %23 arasında bir model performans artışı gösterdiği, GoogLeNet modelinin ise %2 ile %27 arasında bir model performans artışı gösterdiği tespit edilmiştir. Ayrıca veri dağılımının düzgün yapılmadığı veri setlerinde önerilen yaklaşımın daha yüksek performans artışı gösterdiği görülmüştür.