Detection and classification of breast cancer in whole slide histopathology images using deep convolutional networks

En ölümcül kanser tiplerinden olan meme kanseri, deri tipli olmayan kanserler arasında en sık görünen ikinci kanser tipidir. Meme kanserinde erken ve doğru teşhis tam tedavi için oldukça kritiktir. Son zamanlardaki tıbbi görüntü işleme araştırmaları bu konuda umut vadeden sonuçlar elde etmişlerdir. Bu sonuçların biyopsi görüntülerinin analizi sırasında daha doğru anlaşılması ve olası sağlıksız dokuların tesbitinde fayda sağlayabileceği düşünülmektedir. Ancak ne yazık ki, tamamen otomatik bir bilgisayar destekli teşhis için tüm slayt histopatoloji görüntülerinin işlenmesi gerekirken, bu araştırmalar genellikle özel olarak kesilmiş ve etiketlenmiş görüntüler üzerine olmaktadır. Bununla beraber tüm slayt görüntülerinin boyutlarının oldukça büyük olmasından dolayı kabul edilebilir bir işlem gücü ve zaman içerisinde işlenmesi güçleşmektedir ve farklı bölgelerde sağlıklı veya tümör dokularını farklı aşamalarda bulunması tüm slayt görüntülerde tümör tesbiti ve sınıflandırılmasını zorlaştırmaktadır. Biz, ham tüm slayt görüntüsünden son teşhise kadar hızlı bir biçimde tümör tesbiti ve sınıflandırması yapabilen ve bunu yaparken güncel derin öğrenme tekniklerini etkili bir biçimde kullanan bir bilgisayar destekli teşhis sistemi tasarladık. Bu sistem uzman patologların sistematik çalışma akışı ve aşamalı detaya yakınlaşma tarzından esinlenerek geliştirilmiş olup temelde iki aşamadan oluşmaktadır: (1) teşhis için ilgili alanların tesbiti, (2) tesbit edilen alanların beş kanser tipine sınıflandırılması. Özgün ilgili alan tesbit yaklaşımımız uzmanların birden fazla çözünürlük seviyesinde verimli arama örüntüsünü taklit etmektedir. Bunun için dört adet derin ağ patologların tüm slayt inceleme kayıtlarından çıkartılan örneklerle eğitilmiştir. Daha sonra sadece tesbit edilen ilgili alanlar üzerinde daha derin bir ağ ve ardıl-işleme kullanılarak her bir tüm slayt görüntüsü tek bir kanser tipine sınıflandırılmaktadır. 240 tüm slayt görüntüsü üzerinde yapmış olduğumuz deneylerimizde, tasarladığımız ilgili alan tesbit yaklaşımımız bu sorunun çözümünde en gelişkin diğer bir yöntemden daha verimli ve etkin çalıştığı gözlemlenmiştir. Bütün sistemin nihai sınıflandırması ise 45 patoloğun ortalama başarısının hemen altındadır. Ayrıca derin öğrenme öznitelikleri, farklı görselleştirme teknikleri kullanılarak incelenmiş ve öğrenilen bilgiler görüntülenmiştir.