- Avrupa Bilim ve Teknoloji Dergisi
- Special Issue: 2019 Special Issue
- Lenf Kanserine İlişkin Patoloji Görüntülerinin Makine Öğrenimi Yöntemleri ile Sınıflandırılması...
Lenf Kanserine İlişkin Patoloji Görüntülerinin Makine Öğrenimi Yöntemleri ile Sınıflandırılması
Authors : Ayşe Berika Varol, Ismail Işeri
Pages : 404-410
Doi:10.31590/ejosat.638372
View : 12 | Download : 8
Publication Date : 2019-10-31
Article Type : Research
Abstract :Son yıllarda dijital patoloji görüntülerinin sınıflandırılması konusunda yapılan görüntü işleme ve makine öğrenimi temelli çalışmalarda oldukça başarılar sonuçlar elde edildiği görülmektedir. Elde edilen yüksek doğruluk değerleri, dijital patoloji alanında makine öğrenimi temelli sistemlerin patoloji kliniklerinde patologlara yardımcı sistemler olarak kullanılabileceğini göstermektedir. Önümüzdeki 30 yıl içerisinde özellikle patoloji alanında yapay zeka ve makine öğrenimi temelli çözümlerin çok daha yüksek oranda kullanılacağı öngörülmektedir. Bu çalışmada lenf kanserinin üç farklı türüne ait dijital patoloji görüntülerin farklı makine öğrenimi teknikleri ile sınıflandırılması işlemi gerçekleştirilmiştir. Çalışma kapsamında veri seti olarak Chronic Lymphocytic Leukaemia (CLL), Follicular Lymphoma (FL) ve Mantle Cell Lymphoma (MCL) kanserlerine ilişkin dijital patolojik görüntüler kullanılarak özellik çıkarımı ve makine öğrenim algoritmalarının eğitilmesi ve karşılaştırılması yapılmıştır. Çalışmada her bir lenf kanseri türüne ait 45 adet olacak şekilde toplamda 135 adet dijital patoloji görüntüsü ön işlemlerden gerçirilerek renk yoğunluğu, piksel yoğunluğu, entropi hesabı ve morfolojik alan hesabı özellikleri elde edilmiştir. Ardından her bir görüntü için elde edilen özellik vektörleri Random Forest , K-NN, Navie Bayes , Destek Vektör Makinesi (SVM) ve K-Star algoritmalarına girdi olarak verilerek sınıflandırma işlemi gerçekleştirilmiştir. Son aşamada elde edilen değerler Özgüllük ( Specificity ) , Hassasiyet (Precision) , Geri Çağırma ( Recall ) ve Doğruluk ( Accuracy ) performans metriklerine göre hesaplanıp, algoritmaların kıyaslaması yapılmıştır. Bu yöntemler ile algoritmaların performans değerleri karşılaştırıldığında en iyi sonuç %89,72 doğruluk oranı ortalamasıyla Random Forest tarafından elde edilmiştir.Keywords : Görüntü İşleme, Makine Öğrenimi, Patoloji