Unsupervised segmentation and ordering of cervical cells

Serviks kanseri dünya üzerinde kadınlarda en sık görülen ve kanser ölümlerine sebep olan ikinci kanser çeşididir. Serviks kanseri prekanseröz aşamalarda erken teşhis ve tedavi ile önlenebilmektedir. Pap smear testi, serviks hücrelerinde meydana gelen displastik değişiklikleri belirlemek üzere kullanılan yaygın, etkili ve kullanımı kolay manuel bir tarama yöntemidir. Ancak Pap smear testlerinde bulunan binlerce hücrenin sitologlar tarafından manuel olarak analiz edilmesi zorlu, zaman alan ve gözlemci öznelliği içeren bir süreçtir. Çalışmamızda, bu sorunların üstesinden gelmek için tarama işlemini otomatikleştirmeyi ve sitologlara yardımcı olacak hücrelerin sıralanmış listesini sağlamayı amaçladık. Tarama sürecini otomatikleştirme, karmaşık hücre yapılarından dolayı uzun süreli ve zorlu bir görev olarak durmaktadır. Literatürdeki mevcut yöntemler çoğunlukla problemi tekli ve ayrılmış hücre bölütlemesi olarak ele almakta ve Pap smear test görüntülerinin, zayıf kontrast, tutarsız boyama ve bilinmeyen hücre sayısı gibi gerçek sorunlarına değinmemektedirler. Bu tezde, Pap smear görüntülerindeki hücrelerin doğru bir biçimde bölütlenmesi ve anormallik derecelerine göre sıralanması için öğreticisiz bir yöntem önerilmektedir. Önerilen yöntem ilk olarak çekirdeklerin doğru bir şekilde elde edilmesi için çoklu-ölçekli hiyerarşik bölütleme algoritması kullanmaktadır. Yüksek büyütme değeri ile çekilen Pap smear görüntüleri daha detaylı doku bilgisine ancak daha kötü kontrast değerine sahiptirler. Kontrast bölütleme aşaması için önemli bir özellik iken, detaylı doku bilgisi öznitelik çıkarma aşaması için önemli bir özelliktir. Bu nedenle, çalışmamızda bölütleme problemine bir çözüm olarak, iki aşamada ilerledik. İlk olarak, Pap smear görüntüleri düşük büyütme (20x) seviyesinde bölütlendi ve çıkarılan çeşitli özniteliklere dayanarak çekirdek olmayan bölütlenmiş alanlar elendi. Daha sonra, yüksek seviyede (40x) çekilen Pap smear görüntülerine geçilerek kalan çekirdeklerin daha detaylı bölütlenmesi gerçekleştirildi. Bölütleme aşamasının ardından, elde edilen her çekirdek için öznitelikler çıkarıldı. Literatürdeki sınıflandırma için öğrenme aşaması gerektiren ilgili çalışmalardan farklı olarak, yöntemimiz 40x büyütme oranındaki görüntülerden çıkarılan özniteliklere dayanarak çekirdeklerin öğreticisiz olarak sıralamasını gerçekleştirmektedir. Farklı sıralama algoritmaları, elde edilen çekirdeklerin anormallik derecelerine göre sıralanması üzerinden karşılaştırıldı. Bölütleme ve sıralama yöntemlerimizi iki veri kümesi kullanarak değerlendirdik. Sonuçlarımız önerilen yöntemlerin hücrelerin hem bölütlenmesi hem de sıralanması aşamasında gelecek vaat eden sonuçlar verdiğini gösterdi.