Self-supervised representation learning with graph neural networks for region of interest analysis in breast histopathology

Histopatoloji görüntülerinin analizinde derin öğrenme, gösterim öğreniminin elle seçilen özniteliklere göre daha yüksek başarı göstermesiyle birlikte büyük katkıda bulunmuştur. Fakat derin öğrenmenin histopatoloji uygulamalarında iki zorluk etkisini sürdürmektedir. Bu zorluklardan ilki, histopatoloji alanında büyük veri kümelerinin bulunmamasıdır. Diğer alanlarda yaygın olarak kullanılan derin öğrenme tabanlı yöntemler, derin ve geniş modellerin büyük ve işaretli veri kümeleri üzerinde eğitilmesi üzerine kurulmuştur. Histopatoloji görüntülerinin elle işaretlenmesi ise çok zaman alan bir işlemdir. Büyük halka açık veri kümelerinin oluşturulmasında da, tıbbi verilerin mahremiyeti konusundaki çekinceler sebebiyle zorluklar yaşanmaktadır. İkinci zorluk ise, histopatoloji görüntülerinde bulunan ilgi alanlarının değişken boyut ve şekillere sahip ve farklı tanı sınıflarına ait olabilmesidir. Bu zorluĞa karşı geliştirilen alışıldık çözüm, ilgi alanlarından kesilerek elde edilen sabit boyuttaki görüntü parçaları üzerinde analiz yapılıp, elde edilen sonuçların ilgi alanı için bir araya getirilmesidir. Bu yöntemler hücre seviyesindeki öznitelikleri çıkarmada başarılı olsalar da, doku seviyesindeki bağlamsal ilişkileri modellemekte etkili olamamışlardır. Bu zorlukların ışığında, çizgesel sinir ağları ve karşılaştırmalı kendinden gözetimli öğrenme yöntemlerini kullanan iki aşamalı bir öğrenme yöntemi önermekteyiz. Bu yöntemde ilgi alanları, düğümleri küçük ve sabit boyutlu görüntü parçalarına karşılık gelen çizgeler olarak modellenir. İlk aşamada, ilgi alanlarından kesilmiş küçük ve sabit boyutlu görüntü parçaları üzerinde, hücre seviyesi niteliklere odaklanan bir evrişimli sinir ağı eğitilir. İkinci aşamada, ilgi alanı seviyesi öznitelik gösterimleri, dokudaki yapıları öĞrenebilen bir çizgesel sinir ağı ile öğrenilir. Çizgesel sinir ağları, değişken boyutlu ilgi alanlarının çizgeler olarak modellenmesinin ve bağlamsal özniteliklerin öğrenilmesinin yolunu açmaktadır. Karşılaştırmalı kendinden gözetimli öğrenme yöntemi ise, etiketli verinin az olduğu durumlarda veriden öğrenilen özniteliklerin kalitesini artırmaktadır. Kendinden gözetimli öğrenme ilk kez rastgele düğüm silme yöntemiyle çizgesel sinir ağlarına uyarlanmıştır. Çalışma kapsamında oluşturduğumuz meme histopatolojisi veri kümesi üzerinde yapmış olduğumuz deneyler, önerilen derin gösterim öğrenimi yönteminin, görüntü sınıflandırma ve görüntü tabanlı içerik erişimi görevlerinde önceki yöntemlerden daha başarılı olduğunu göstermiştir.