Patolojik görüntü analizi ile meme kanserinde CERbB2 tümörlerinin skor değerlerinin belirlenmesi

Günümüzde, meme kanseri, yaygınlaşan bir hastalık olarak bilinmekte olup, bilimsel çalışmalara da sıklıkla konu olmaktadır. Yaygınlaşan bu kanser türünde, özellikle tedavi sürecinde başarıyı arttırmaya yönelik olarak disiplinler arası birçok çalışma ortaya çıkmıştır. Bu amaç doğrultusunda da, hedefe yönelik tedavi (targeted therapy/treatment) yaklaşımları son yıllarda yaygınlaşmaktadır. Hedefe yönelik tedavi amacıyla epidermal büyüme reseptörü (EGFR) ailesine ait bir protein olan CerbB2 reseptörünün yoğunluk dağılımı incelenmektedir. Bu dağılıma göre hastalığın aşamaları belirli sınıflara ayrılmaktadır. Sınıflandırmalar dört ana Score türüne göre yapılmaktadır. Bu çalışmada da ilgili tümör bölgelerinin tespiti ve Skor sınıflandırılması disiplinler arası bir yaklaşımla patolojik görüntüler üzerinden yapılmıştır. Tüm slayt doku örneği görüntüleri, hastaneden alınarak patologların gözetimi altında incelenmiş ve slaytın doğru etiketlenmesi için, ilgili bölgelerin nasıl tespit edileceği öğrenilmiştir. Görüntülerin analizinden sonra, gerçek zamanlı bir yazılım aracının uygulanması amaçlanmıştır. Hedeflenen bu uygulama sayesinde de hasta için daha hızlı ve daha ucuz bir şekilde patolojik rapor oluşturulması öngörülmektedir. Bu amaç doğrultusunda, görüntüler üç yaklaşımla analiz edilmiştir. Çalışmanın ilk aşamalarında, doku örnekleri üzerinden Destek Vektör Makineleri (DVM) ile eğitilmek üzere uygun veri kümesi oluşturulmuştur. Öncelikle, hibrid bir çok seviyeli eşikleme ve radyal çizgi tabanlı bir yaklaşımla hücrelerin algılanması yöntemi geliştirilmiştir. İkinci olarak, bir Çeper Yoğunluk Histogramı (ÇYH) metodu ile her bir hücreye özgü öznitelikler oluşturulmuştur. Daha sonra, bu öznitelikler DVM sınıflandırıcısını beslemek için kullanılmıştır. Elde edilen sınıflandırıcı model ile 'Amerikan Klinik Onkoloji Derneği ve Amerikan Patologları Universiteleri' tarafından belirlenen kurala göre skor tipleri belirlenmiştir. Bu çalışmanın ikinci aşamasında, hücre temelli bir derin öğrenme yaklaşımı ele alınmıştır. Çalışma, CerbB2 tümörlerini, meme kanserine ait doku parçaları üzerinden, derin öğrenme modelleri ile sınıflandırmak için özgün bir yaklaşım önermektedir. Bu amaçla, tüm slayt görüntüleri, doku parçalarına bölünüp ve skor türlerine göre etiketlenmiştir. Daha sonra bu veri seti, derin öğrenme modelleri ile eğitim, doğrulama ve test için kullanılmıştır. Hücre parçaları için CerbB2 tümör skorları üretilmiş ve Evrişimsel Sinir Ağları (ESA) yardımıyla yüksek performansla sınıflandırılmıştır. Bu sınıflandırma yaklaşımı sırasında, daha iyi performans elde etmek için modeller değiştirilmiş ve modeller üzerindende hücre gruplarının öznitelikleri çıkartılarak DVM sınıflandırıcısı ile eğtilmiştir. Elde edilen sonuçlar manuel öznitelik çıkarımı ile elde edilenlerle kıyaslanmıştır. Bu çalışmanın son aşamasında ise bölgesel tabanlı derin öğrenme modelleri kullanılarak tüm slayt görüntüsü üzerinden CerbB2 reseptörüne ait skor tespiti yapılmıştır. Derin öğrenme yöntemi ile eğitim için patolojik görüntülerden oluşan hazır bir veri seti olmadığından orijinal veri kümesi hazırlanmıştır. Herbir slayt görüntüsü işlenemeyecek boyutta büyük olduğu için de patolojik resimler yeniden boyutlandırılmış ve tümörlerin bulunduğu koordinatlar optimize edilere etiketlenmiş. Daha sonra bu veri kümesi uygun kütüphane kullanımı ile Yolo gibi bölgesel yaklaşımlı evrişimsel sinir ağlarıyla eğitilmiştir. Eğitimler sonunda elde edilen modeller ile önceki çalışmalardan farklı olarak tüm doku örneği üzerinden, skor tespiti yapılmıştır. İkinci bir basamak olarak, var olan görüntü kümesinin rotasyon değişimiyle sayıca arttırılan veri kümesi, derin öğrenme modeli kullanımıyla yeniden eğitim yapılmıştır. Son olarak, tüm slayt görüntüsünden orjinal çözünürlükte yeni bir veri kümesi oluşturulup yine derin öğrenme modelleriyle eğitilip model oluşturuluyor. Daha sonra bu model, birden fazla skor tipiyle etiketlenmiş skoru belirsiz bölgeler için kullanılmaktadır. Yeniden boyutlandırılmış tüm slayt görüntüsü üzerinden tespit edilen tümör bölgeleri, tüm slayttan ayrılıp orjinal boyutunda yeniden ölçeklendirilerek, elde edilen son model ile test ediliyor. Böylelikle, yeni ağırlık modelleri ile, ilgili skor bölgeleri detaylı olarak analiz edilip, kurallar dahilinde nihai skor sınıfı ile belirlenebiliyor. Çalışmanın sonunda pataloglar tarafından, hastalardan alınan doku örneklerine konulan teşhislerin sürelerinin kısaltılması için ele alınan bu yöntemlerin uygun kullanımıyla bir yazılım uygulaması geliştirilmesi hedeflenmektedir. Böylelikle meme kanserinde doğru tedavi için patolojik görüntüler üzerinden, ilgili tümör bölgelerinin tespitinin, önerilen makine öğrenmesi yöntemleri ile hızlı ve doğru bir şekilde basit bilgisayar programları ile geliştirilebileceği düşünülmektedir. Gerçek hayatta uygulamaya yönelik bu katkı dışında bu çalışmanın diğer katkıları şöyle sıralanabilir: teknik olarak gelecek çalışmalara katkı sağlamak adına özgün dataset üretilerek paylaşılmaktadır, tüm bir slayt görüntüsünün gerek parçalara bölünerek sınıflandırma yöntemi ile gerek parçalara bölünmeden ilgili tümör bölgelerinin tespiti yaklaşımıyla yenilikçi bir çalışma ele alınmıştır. Çalışmanın ilk iki basamağında doku parçaları üzerinden görüntüler işlenirken son basamağında nasıl tüm slayt üzerinden skor tespiti yapıldığı detaylandırılmaktadır.