Histopatolojik görüntülerin makine öğrenmesi yöntemleri ile analizi

Son yıllarda kanser ve ona bağlı hastalıkların neden olduğu ölümler diğer hastalıkların sebep olduğu ölümlerden daha fazla ön plana çıkmaktadır. Kanser ve ona bağlı hastalıkların erken teşhisi bu hastalığın tedavi edilebilmesi bakımından oldukça önemlidir. Görüntüleme cihazlarının gelişmesi ile birlikte hastalığın görüntülenmesi, takibi ve Bilgisayar Destekli Teşhis (BDT) sistemilerinin de yardımıyla tedavi edilebilmesi mümkün hale gelmiştir. Özellikle yüksek çözünürlüğe sahip tarayıcılar yardımıyla doku ve organlardaki değişimlerin BDT tabanlı sistemler tarafından otomatik olarak tespiti mümkündür. Bu tez çalışması histopatolojik görünütlerin bölütlenmesi ve sınıflandırılması olmak üzere iki ana bölümden oluşmaktadır. Çalışmanın bölütleme başlığında hücresel yapıların bölütlenmesinde süperpiksel yaklaşımı ve derin öğrenme tabanlı semantik bölütleme algoritmaları kullanılmıştır. Özellikle son yıllarda bilgisayarla görü alanında sıkça kullanılan süperpiksel bölütleme yöntemlerinden SLIC, SLIC-DBSCAN, ERS ve TPRS algoritmalarının yüksek çözünürlüklü histopatolojik görüntülerde hücresel yapıların bölütlenmesindeki başarım performansları elde edilmeye çalışılmıştır. Bölütleme amacıyla SLIC süperiksel bölütleme algoritması ve kümeleme tabanlı algoritmalarla birleştirilerek histopatolojik görüntülerde hücresel yapıların bölütlenmesi amacıyla yeni bir bölütleme algoritması önerilmiştir. Elde edilen bölütleme başarıları literatürde sıkça kullanılan yöntemlerle karşılaştırılmıştır. Buna ek olarak literatürde hareketli objelerin takibi, dış ortamdaki nesnelerin bölütlenmesinde oldukça başarılı bir yöntem olan derin öğrenme tabanlı semantik bölütleme (SEGNET) yöntemi hücresel yapıların bölütlenmesinde kullanılmıştır. Bölütleme başarısı incelendiğinde literatürde sıkça kullanılan geleneksel yöntemlerden daha iyi sonuç verdiği gözlemlenmiştir. Histopatolojik görüntülerin sınıflandırılması bölümünde ise hem mitozlu hücrelerin hem de lenf nodlarında yer alan tümörlü bölgelerin özellikle son dönemde oldukça popüler olan evrişimsel sinir ağları yöntemi ile tespiti gerçekleştirilmiştir. Özellikle mitozlu hücrelerin tespitinde geleneksel şekil, renk, doku ve istatistiksel tabanlı özellik çıkarma yöntemleri ile ESA yöntemi karşılaştırılarak performans analizi gerçekleştirilmiştir. Elde edilen sonuçlar incelendiğinde ESA modelinin geleneksel yöntemlerden daha başarılı sonuç verdiği gözlemlenmiştir. Ayrıca verilerin dengesiz olduğu durumlarda dengesiz verilere karşı gürbüz olan sınıflandırma yöntemleri (RusBoost) ile başarımın arttırılabileceği de görülmüştür. Son olarak, Istanbul Medipol Universitesi Hastanesi, İstanbul Teknik Üniversitesi ve Yıldız Teknik Üniversitesi işbirliğiyle rahim ağzı kanseri öncü lezyonlarının derecelendirilmesi ile ilgili literatürde yer alan en geniş veri kümelerinden biri oluşturulmuş ve sınıflandırılmıştır. Elde edilen sınıflandırma başarısı iki patolog tarafından oluşturulan referans verilerle karşılaştırılarak analiz edilmiştir.