Derin öğrenme ile histopatolojik görüntü analizi

Kanser, bir veya bir grup hücrenin kontrolsüz biçimde bölünerek çoğalması ile tanımlanabilen son derece tehlikeli bir hastalık türüdür. Son yıllarda yapılan araştırmalara göre, genel ölümler arasında kanserden kaynaklanan ölümler ikinci sıradan ilk sıraya yükselmiştir. Kanserden kaynaklanan ölümlerin önlenebilmesi için erken teşhis büyük önem arz etmektedir. Erken dönemde yapılacak doğru tıbbi müdahaleler hayatta kalabilme şansını arttırmaktadır. Kanser teşhisinde altın standart olarak biyopsi kullanılmaktadır. Biyopsi işleminde, riskli dokulardan alınan örnekler uzman patologlar tarafından uygun mikroskoplar altında incelenmektedir. Alınan doku parçalarının incelenmesi ve karar verme aşaması için patologların eğitilmesi ve uzmanlaşması oldukça uzun ve maliyetli bir süreçtir. Bu süreçleri başarı ile tamamlamış olsalar bile, aynı doku parçası için iki ayrı patolog farklı kararlar verebilirler. Bu öznelliğin giderilebilmesi için nicel veriler kullanarak hesaplama yapabilen görüntü işleme yöntemleri kullanılmaktadır. İlk zamanlardaki çalışmalar, histopatolojik görüntülerden matematiksel olarak elle belirlenen özelliklerin elde edilmesi üzerine kuruluydu. Görüntü işleme araştırmacıları tarafından belirlenen bu özellik çıkarma teknikleri oldukça fazla tecrübe gerektirmekteydi ve her görüntü için yüksek başarı sağlayamamaktaydı. Özellikle, histopatolojik görüntülerdeki doku bileşenlerinin uzamsal yapısında karmaşık renk bilgileri bu işlemi zorlaştırmaktadır. Genel çerçeveden bakıldığında, histopatolojik görüntüler oldukça fazla renk varyasyonu, piksel seviyesinde parazit bilgiler, hücre dizilimindeki farklılıklar gibi birçok zorlayıcı etmen içermektedir. Otomatik olarak belirlenmeyen özellikler ile böyle bir görüntü içeriğinin analiz edilmesi sınırlı bir başarı düzeyi ve sınırlı sayıda doku için mümkündür. Son yıllarda, yapay zekâ algoritmalarındaki ilham verici gelişmeler ve bilgisayar donanımlarındaki hızlı gelişme otomatik özellik çıkarma yöntemleri için bir umut ışığı olmuş ve el ile çıkarılan özelliklerden doğan olumsuz etkilerin ortadan kaldırılmasını sağlamıştır. Uygulamalardaki başarısı sayesinde derin öğrenme (deep learning) yöntemi, otomatik özellik çıkarma ve bu özellikler ile sınıflandırma yapabilen algoritmalar arasında en popüleri hale gelmiştir. Özellikle görüntü işleme problemleri için oldukça başarılı sonuçlar üreten konvolüsyonel sinir ağları (convolutional neural networks) neredeyse tüm alanlardaki görüntüler için kullanılmaktadır. Konvolüsyonel sinir ağları, görüntülerden otomatik olarak özellik çıkarmakta ve bu özellikleri kendi sahip olduğu tam bağlı ağlar sayesinde sınıflayabilmektedir. Oluşturulan mimari yapılarına göre sınıflandırma, segmentasyon, yorumlama gibi üst düzey işlemleri gerçekleştirebilmektedir. Bu tez çalışmasında, tam boyutlu histopatolojik görüntülerin konvolüsyonel sinir ağları kullanılarak analizi için oldukça verimli ve kararlı bir sınıflandırma tekniği ve yeni bir semantik segmentasyon mimarisi sunulmaktadır. Bu amaçla, ilk olarak histopatolojik görüntülerin yapısı ve geleneksel yöntemlerin bu görüntüler üzerindeki başarıları incelenmiştir. Daha sonra lineer konvolüsyonel sinir ağları ile görüntülerin analizi yapılmış ve ağ parametrelerinin analiz başarısına etkisi incelenmiştir. Tüm bu veriler ışığında, histopatolojik görüntülerin sınıflandırılması için yeni bir konvolüsyonel sinir ağı mimarisi önerilmiştir. Önerilen mimari, histopatolojik görüntüler için yumuşak bir önişleme katmanı ve lineer yapıdaki bir konvolüsyonel sinir ağı mimarisinden oluşmaktadır. Önerilen model literatürdeki diğer sınıflandırıcılar ile karşılaştırılmıştır ve daha başarılı olduğu görülmektedir. Sınıflandırma sonucunda, önerilen algoritma tarafından üretilen bilgiler genellikle imge hakkında kanserli ve normal olan büyük ölçekli alanlar hakkında rakamsal bilgiler içermektedir. Fakat kanser gibi insan hayati için son derece önemli bir hastalığın sadece yapay zekâ programı tarafından değerlendirilmesi yetersiz olarak görülmektedir. Böyle bir karar uzman patologlar tarafından bile ortaklaşa alınmaktadır. Bir dokunun kanserli olduğuna kesin karar verilebilmesi için birden fazla patoloğun kararına başvurulması genel olarak uygulanan prosedürdür. Bu sebeple, yapay zekâ tarafından üretilen sonuçlar patologlar için bir danışma sistemi olmak için önemli bir eksikliğe sahiptir. Üretilen sonuçlarda, alan bilgisi ve görsellik olmadığından, patoloğun inceleme sürecini kısaltamaz. Bu problemin aşılabilmesi için semantik segmentasyon tekniğinden yararlanılmıştır. Önerilen sistemde, histopatolojik görüntülerdeki arka plan, boyalı alanlar, kanserli hücreler ve normal hücreler fark edilebilir biçimde temsil edilmektedir. Bu algoritmanın geliştirilmesi aşamasında, literatürdeki en güçlü semantik konvolüsyonel sinir ağları incelenerek, bu yapıların güçlü yanları belirlenmiştir. Tüm bu güçlü tarafları içeren yeni bir semantik segmentasyon mimarisi önerilmiştir. Önerilen mimari görsel sonuçlar üreterek kanser tehlikesi olan bölgelerin patolog tarafından kolayca anlaşılmasını sağlamaktadır. Bu sayede patologların iş yükü azalmış olur ve bir hızlı danışma sistemi oluşturulmuş olur. Önerilen semantik segmentasyon mimarisi diğer semantik segmentasyon algoritmaları ile karşılaştırılmıştır ve daha başarılı sonuçlar ürettiği görülmüştür.