Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması

Birçok hastalığın teşhisinde ve yapılan bilimsel çalışmalarda mikroskobik görüntüler kullanılmaktadır. Bu görüntüler üzerindeki histolojik analizler, alanında uzman kişiler tarafından yapılmaktadır. Genel anlamda histolojik analiz; hücre, hücre yapıları ve histomorfolojik çalışmaları ifade eder. Histolojik analizlerde görüntü sayısının artması, uzman için hem uzun zaman almakta hem de fazla iş yükü oluşturmaktadır. Ayrıca yapılan analizler her uzmanın bilgi birikimine bağlı olarak çoğu zaman öznel bir şekilde yapılmaktadır. Bu gibi problemler düşünüldüğünde daha az zamanda çok daha fazla görüntü analizini nesnel bir şekilde yapacak akıllı sistemlere ihtiyaç duyulmaktadır. Literatürde makine öğrenmesi yöntemleri ile medikal görüntülerin analizleri için farklı algoritmalar geliştirilmiştir. Fakat bu yöntemlerde ham verinin işlenmesinde uzmana ihtiyac duyulmaktadır. Uzmana ihtiyaç duyulmadan ham veri üzerinde özellik keşfinin otomatik olarak yapılması için Derin Öğrenme(DÖ) mimarileri geliştirilmiştir. DÖ yapay zekânın alt dalı olup derin katmanlı ağ mimarilerinin genel bir adı olarak ifade edilmektedir. DÖ modellerinin ortaya çıkmasıyla nesne sınıflandırmadaki hata oranı keskin bir düşüş göstermiştir. DÖ'deki bu başarının temel sebebi, farklı katmanlarda veriye ait farklı özelliklerin keşfedilmesi olarak açıklanabilir. Bu sebeple son yıllarda başta medikal görüntülerin analizi olmak üzere birçok farklı alanla DÖ yöntemleri sıklıkla kullanılmaya başlanmıştır. Yapılan bu tez kapsamında, ovaryum görüntülerin segmentasyonu ve sınıflandırılması için DÖ tabanlı yeni bir yöntem önerilmiştir. Önerilen yöntemde ovaryum dokusuna ait primordial, primer, preantral, sekonder ve tersiyer olmak üzere toplam beş farklı follikülün otomatik sayılması gerçekleştirilmektedir. Literatürde ovaryum dokusundaki bu beş follikülün otomatik sayılması ilk defa bu tez kapsamında gerçekleştirilmiştir. Önerilen yöntem eğitim ve test olmak üzere iki bölümden oluşmaktadır. Eğitim kısmında farklı Evrişimsel Sinir Ağlarının(ESA) tasarlanması ve eğitilmesi gerçekleştirilmiştir. Test işleminde ise eğitilen ESA modelleri kullanılarak hem segmentasyon hem de sınıflandırma işlemi yapılarak, görüntü içerisinde aranan bir hücre veya hücresel yapının nerede ve ne olduğuna karar verilmektedir. Yöntemin ilk bölümünde toplam 55 farklı ESA modeli tasarlanmıştır. Bu modellerden 43 tanesi segmentasyon için 12 tanesi ise sınıflandırma için tasarlanmıştır. Bu modellerin eğitim ve test aşamalarında kullanılmak üzere ovaryum dokusuna ait 10500 adet görüntüden oluşan özgün bir veri seti oluşturulmuştur. Bu veri setinde her bir görüntüdeki folliküller etiketlenmiştir. Etiketli görüntülerden segmentasyon ve sınıflandırma için tasarlanan ESA modellerinin eğitilmesi için ayrıca farklı veri setleri de oluşturulmuştur. Segmentasyon için tasarlanan modeller arasında en yüksek doğruluğu elde eden ESA modelinin başarısı %87.1 olarak bulunmuştur. Sınıflandırma işlemi için en yüksek doğruluğa sahip ESA modelinin başarısı ise %96.01 olarak elde edilmiştir. Yöntemin ikinci bölümü olan test bölümünde, öncelikle segmentasyon için eğitilen ESA modeli kullanılarak filtre tabanlı segmentasyon işlemi yapılmaktadır. Bu işlem sonrasında oluşan gürültünün temizlenmesi ve hücresel yapıların sınırlarının belirlenmesi için yeni bir yöntem önerilmiştir. Sınırları belirlenen hücresel yapıların sınıflandırılması için ise önceden eğitilen ESA modeli kullanılmaktadır. Geliştirilen yöntemin segmentasyon doğruluğunun arttırılması için, yöntemde kullanılan Adım Kayma Değeri(AKD), Komşu Sınıf Uzaklığı(KSU) ve Bulanık Sınıf Değeri(BSD) parametrelerinin optimizasyonu gerçekleştirilmiştir. Optimizasyon işlemi için Yapay Arı Kolonisi Algoritması(YAKA) kullanılmıştır. Önerilen yöntem, Ovaryum folliküllerinin otomatik sayılması probleminde, test görüntüleri üzerinde uzman tarafından elde edilen sonuçlar ile karşılaştırılmıştır. Uzman sayım sonuçları referans alındığında, yöntemin elde ettiği doğruluk değeri %96.75 olarak bulunmuştur. Yöntem, ayrıca Faster R-CNN modeli ile karşılaştırılmıştır. Faster R-CNN modeli, literatürde nesne tanımlamada yüksek doğruluğa sahip bir model olarak görülmektedir. Bu modelde katman yapısı olarak farklı ESA modelleri kullanılabilmektedir. Bu sebeple tez kapsamında Faster R-CNN'de katman yapısı olarak AlexNet, Vgg16 ve Vgg19 modelleri kullanılmıştır. Yapılan deneysel çalışmalar sonucunda, önerilen yöntemin Faster R-CNN modelinin bütün katman yapıları ile kullanılmasında elde ettiği değerlerden daha başarılı olduğu gösterilmiştir. Anahtar Kelimeler: Derin Öğrenme, Evrişimsel Sinir Ağı, Faster R-CNN, VggNet, AlexNet, Ovaryum, Follikül, Medikal Görüntü, Yapay Arı Kolonisi Algoritması