Object-oriented texture analysis and unsupervised segmentation for histopathological images

Kanser tanısı ve derecelendirilmesi için doku örneklerinin pataloglar tarafından incelenmesi gereklidir. Fakat, bu inceleme patalogların dokuyu görsel olarak incelemesinden dolayı oldukça fazla öznelliğe sebep olur. Bu problemi azaltmak için bilgisayar ortamında ölçülebilir değerler ile çalışan sistemler geliştirilmelidir ve imge bölütleme işlemi de bu sistemlerin temel taşıdır. Literatürdeki imge bölütleme yöntemleri dokuları nicelendirmek için genel olarak piksel düzeyindeki renk/yapı tanımlayıcılarını kullanır. Ancak piksel düzeyindeki bu bilgiler doku bileşenlerinin uzamsal organizasyonu gibi patolojiye özgü bilgiyi ifade edebilmek ve bu bilgiyi kullanabilmek için yeterli değildir. Bunun yanında, genel olarak doku resimlerinde oldukça fazla varyasyon ve piksel düzeyinde parazit bulunur; farklı doku bileşenlerinin benzer renk dağılımları, hücre dizilimlerindeki dağılmalar ve fazla boyanmadan dolayı oluşan bölgesel renk karşıtlıkları gibi. Önceki bölütleme yöntemleri piksel düzeyinde tanımlayıcılar kullandıkları için belirtilen bu problemlere karşı daha fazla duyarlıdır.Bu sorunları başarılı bir biçimde çözebilmek için, bu tezde üç yeni yapısal tanımlayıcı sunduk -- bunlar ObjSEG, GraphRLM ve ObjCooc yapıları olarak adlandırıldı -- ve histopatolojik doku resimlerinin bölütlenmesi için bu tanımlayıcıları kullanan yöntemler geliştirdik. Bu tanımlayıcıları yaklaşık olarak dairesel nesnelerle betimlenmiş doku bileşenleri üzerinde hesapladık. Belirtilen nesneye dayalı tanımlayıcılar doku bileşenleri üzerinden çıkarıldıkları için bu bileşenlerin uzamsalorganizasyonunu ve dolaylı olarak patolojiye özgü bilgileri literatürdeki emsallerine kıyasla daha iyi temsil edebilirler. Böylece bu tanımlayıcıları kullanarak geliştirdiğimiz yöntemler de daha verimli ve güçlü sonuçlar çıkarabilır. Ayrıca, bu tanımlayıcılar direk olarak imge pikselleri üzerinden hesaplanmadıkları için piksel düzeyindeki problemleri de azaltma konusunda daha etkilidirler.Deneylerimizde, sunduğumuz nesneye dayalı tanımlayıcıları kullanan imge bölütleme yöntemlerimizi 200 kolon doku imgesinde test ettik. Deneylerimiz, nesneye dayalı bu yeni tanımlayıcıların hem yüksek oranda doğruluk veren bölütleme sonuçları çıkardığını hem de bölütlenmiş alan sayısını makul seviyelerde tutmayı başardığını kanıtladı. Deneysel sonuçlarımız, önceki imge bölütleme yöntemleriyle de karşılaştırıldığında, sunduğumuz yöntemlerin histopatolojik resimlerin bölütlenmesinde daha etkili olduğunu gösterdi.