Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması

Abstract

Birçok hastalığın teşhisinde ve yapılan bilimsel çalışmalarda mikroskobik görüntüler kullanılmaktadır. Bu görüntüler üzerindeki histolojik analizler, alanında uzman kişiler tarafından yapılmaktadır. Genel anlamda histolojik analiz; hücre, hücre yapıları ve histomorfolojik çalışmaları ifade eder. Histolojik analizlerde görüntü sayısının artması, uzman için hem uzun zaman almakta hem de fazla iş yükü oluşturmaktadır. Ayrıca yapılan analizler her uzmanın bilgi birikimine bağlı olarak çoğu zaman öznel bir şekilde yapılmaktadır. Bu gibi problemler düşünüldüğünde daha az zamanda çok daha fazla görüntü analizini nesnel bir şekilde yapacak akıllı sistemlere ihtiyaç duyulmaktadır. Literatürde makine öğrenmesi yöntemleri ile medikal görüntülerin analizleri için farklı algoritmalar geliştirilmiştir. Fakat bu yöntemlerde ham verinin işlenmesinde uzmana ihtiyac duyulmaktadır. Uzmana ihtiyaç duyulmadan ham veri üzerinde özellik keşfinin otomatik olarak yapılması için Derin Öğrenme(DÖ) mimarileri geliştirilmiştir. DÖ yapay zekânın alt dalı olup derin katmanlı ağ mimarilerinin genel bir adı olarak ifade edilmektedir. DÖ modellerinin ortaya çıkmasıyla nesne sınıflandırmadaki hata oranı keskin bir düşüş göstermiştir. DÖ'deki bu başarının temel sebebi, farklı katmanlarda veriye ait farklı özelliklerin keşfedilmesi olarak açıklanabilir. Bu sebeple son yıllarda başta medikal görüntülerin analizi olmak üzere birçok farklı alanla DÖ yöntemleri sıklıkla kullanılmaya başlanmıştır. Yapılan bu tez kapsamında, ovaryum görüntülerin segmentasyonu ve sınıflandırılması için DÖ tabanlı yeni bir yöntem önerilmiştir. Önerilen yöntemde ovaryum dokusuna ait primordial, primer, preantral, sekonder ve tersiyer olmak üzere toplam beş farklı follikülün otomatik sayılması gerçekleştirilmektedir. Literatürde ovaryum dokusundaki bu beş follikülün otomatik sayılması ilk defa bu tez kapsamında gerçekleştirilmiştir. Önerilen yöntem eğitim ve test olmak üzere iki bölümden oluşmaktadır. Eğitim kısmında farklı Evrişimsel Sinir Ağlarının(ESA) tasarlanması ve eğitilmesi gerçekleştirilmiştir. Test işleminde ise eğitilen ESA modelleri kullanılarak hem segmentasyon hem de sınıflandırma işlemi yapılarak, görüntü içerisinde aranan bir hücre veya hücresel yapının nerede ve ne olduğuna karar verilmektedir. Yöntemin ilk bölümünde toplam 55 farklı ESA modeli tasarlanmıştır. Bu modellerden 43 tanesi segmentasyon için 12 tanesi ise sınıflandırma için tasarlanmıştır. Bu modellerin eğitim ve test aşamalarında kullanılmak üzere ovaryum dokusuna ait 10500 adet görüntüden oluşan özgün bir veri seti oluşturulmuştur. Bu veri setinde her bir görüntüdeki folliküller etiketlenmiştir. Etiketli görüntülerden segmentasyon ve sınıflandırma için tasarlanan ESA modellerinin eğitilmesi için ayrıca farklı veri setleri de oluşturulmuştur. Segmentasyon için tasarlanan modeller arasında en yüksek doğruluğu elde eden ESA modelinin başarısı %87.1 olarak bulunmuştur. Sınıflandırma işlemi için en yüksek doğruluğa sahip ESA modelinin başarısı ise %96.01 olarak elde edilmiştir. Yöntemin ikinci bölümü olan test bölümünde, öncelikle segmentasyon için eğitilen ESA modeli kullanılarak filtre tabanlı segmentasyon işlemi yapılmaktadır. Bu işlem sonrasında oluşan gürültünün temizlenmesi ve hücresel yapıların sınırlarının belirlenmesi için yeni bir yöntem önerilmiştir. Sınırları belirlenen hücresel yapıların sınıflandırılması için ise önceden eğitilen ESA modeli kullanılmaktadır. Geliştirilen yöntemin segmentasyon doğruluğunun arttırılması için, yöntemde kullanılan Adım Kayma Değeri(AKD), Komşu Sınıf Uzaklığı(KSU) ve Bulanık Sınıf Değeri(BSD) parametrelerinin optimizasyonu gerçekleştirilmiştir. Optimizasyon işlemi için Yapay Arı Kolonisi Algoritması(YAKA) kullanılmıştır. Önerilen yöntem, Ovaryum folliküllerinin otomatik sayılması probleminde, test görüntüleri üzerinde uzman tarafından elde edilen sonuçlar ile karşılaştırılmıştır. Uzman sayım sonuçları referans alındığında, yöntemin elde ettiği doğruluk değeri %96.75 olarak bulunmuştur. Yöntem, ayrıca Faster R-CNN modeli ile karşılaştırılmıştır. Faster R-CNN modeli, literatürde nesne tanımlamada yüksek doğruluğa sahip bir model olarak görülmektedir. Bu modelde katman yapısı olarak farklı ESA modelleri kullanılabilmektedir. Bu sebeple tez kapsamında Faster R-CNN'de katman yapısı olarak AlexNet, Vgg16 ve Vgg19 modelleri kullanılmıştır. Yapılan deneysel çalışmalar sonucunda, önerilen yöntemin Faster R-CNN modelinin bütün katman yapıları ile kullanılmasında elde ettiği değerlerden daha başarılı olduğu gösterilmiştir.

Microscopic images are used in the diagnosis and scientific studies of many diseases. Histological analyses of these images are performed by experts. In general, histological analysis refers to studies on cells, cell structures, and tissue. The increase in the number of images in the histological analysis takes a long time for the expert and also creates an excessive workload. Furthermore, the analyzes are often subjectively based on the knowledge of each specialist. Considering such problems, there is a need for intelligent systems that can perform objectively image analysis in less time. Different algorithms have been developed for the analysis of medical images with machine learning methods in the literature. However, these methods require the expert to process raw data. Deep Learning (DL) models have been developed for automatic feature discovery on raw data without the need for experts. DL is a sub-branch of artificial intelligence and is referred to as a generic name for deep network architectures. The error rate in object classification has declined sharply using DL models. The main reason for this success in DL can be explained as the discovery of different features of data in different deep layer structures. For this reason, in recent years, DL methods have been used frequently in many different fields, especially the analysis of medical images. In this thesis, a new method based on DL for segmentation and classification of ovarium images has been proposed. The proposed method was used for automatic counting of five different follicles that primordial, primary, preantral, secondary and tertiary, belonging to ovary tissue. In the literature, the automatic counting of these follicles was performed for the first time within the scope of this thesis. The proposed method consists of two parts: training and testing. In the training section, different Convolutional Neural Networks (CNN) were designed. In the test process, both segmentation and classification process is performed using trained CNN models and it is decided where and what a cell or cellular structure in the image. In the first part of the method, 55 different CNN models were designed. 43 of these models were designed for segmentation and 12 for classification. An original data set consisting of 10500 images of ovarian tissue was created to be used in the training and testing of these models. In this dataset, follicles in each image are labeled. Different data sets have also been created to train CNN models designed for segmentation and classification from labeled images. The success of the CNN model, which achieved the highest accuracy among the models for segmentation was 87.1%. The success rate of the highest accuracy CNN model for the classification process was 96.01%. In the test section of the method, filter-based segmentation is performed using CNN, which is trained primarily for segmentation. A new method has been proposed to remove the noise generated after this process and to determine the boundaries of cellular structures. Pretrained CNN model is used to classify the cellular structures whose boundaries are defined. In order to increase the segmentation accuracy of the developed method, General Stride (GS), Neighbor Distance (ND) and Patch Accuracy (PA) parameters used in the method were optimized. The Artificial Bee Colony Algorithm (ABC) was used for optimization. The proposed method is compared with the results obtained by the expert on test images in the problem of automatic counting of ovarian follicles. When the expert results were taken as a reference, the accuracy value of the method was found to be 96.75%. The method was also compared with the Faster R-CNN model. The Faster R-CNN model is accepted as a high accuracy model in object identification in literature. In this model, different CNN models can be used as layers. For this reason, AlexNet, Vgg16, and Vgg19 models are used as layer in Faster R-CNN. As a result of the experimental studies, it has been shown that the proposed method is more successful than the the Faster R-CNN model.