Resampling-based Markovian modeling for automated cancer diagnosis

Doğru kanser tanısı ve derecelendirilmesi, etkili bir tedavi planı için önemlidir. Ancak, biyopsi görüntüleri üzerinde yapılan kanser tanısı, patologların görsel olarak yorumlamasına dayanır, bu ise öznellik taşır. Bu öznellik, etkili olmayan tedavi planlarının uygulanmasına yol açabilir. Tanıdaki öznelliği azaltmak amacıyla, ölçülebilir değerler üzerinden otomatik kanser tanısı ve derecelendirmesi yapan sistemler önerilmiştir. Biyopsi görüntülerinde varolan değişim bu tür sistemlerin tasarlanmasında en büyük sorunlardan birini oluşturur. Bu tür sistemlerin biyopsi görüntülerini doğru sınıflandırabilmesi için fazla sayıda öğrenme örneği ile eğitilmesi gerekir. Ancak, histopatolojik görüntü alanındaki öğrenme kümeleri, görüntü toplama ve bu görüntüleri etiketlemedeki zorluklardan ötürü genelde az sayıda örnek içerir. Biz bu çalışmamızda bu probleme karşı, öğrenme kümesindeki örnek sayısını ve varyansını artırarak sınıflandırıcının genelleme kapasitesini artıran, yeni bir tekrar örnekleme yöntemi sunmaktayız. Bunu yapabilmek için, görüntü üzerinden her biri, görüntünün değiştirilmiş örneğine denk gelen diziler oluşturulur. Bu değiştirilmiş örneklerin her biri, görüntü üzerinde değişik alt bölgeleri nitelendirir ve dolayısıyla birbirinden farklıdır. Bu örneklerin öğrenmede kullanılması ise öğrenme kümesinin büyüklüğünü ve varyansını artırır. Markov modeller ile bu örnekler modellenir ve etiketlenmemiş örneklerin sınıflandırılmasında kullanılır. Histopatolojik görüntüler üzerinde yapılan testlerde, sunulan bu yöntemin hem büyük hem de küçük boyutlu öğrenme kümelerinde diğer yöntemlere göre daha başarılı olduğu görülmektedir. Ayrıca değiştirilmiş örneklerin oylama yönteminde kullanılması sınıflandırıcının performansını artırmaktadır.