- Avrupa Bilim ve Teknoloji Dergisi
- Ejosat Special Issue: (ISMSIT) Special Issue
- Histopatoloji Görüntülerde Derin Öğrenme Yöntemleri ile Çekirdek Segmentasyonu
Histopatoloji Görüntülerde Derin Öğrenme Yöntemleri ile Çekirdek Segmentasyonu
Authors : Ertuğrul Menteşe, Emrah Hançer
Pages : 95-102
Doi:10.31590/ejosat.819409
View : 8 | Download : 4
Publication Date : 2020-11-30
Article Type : Research
Abstract :Histopatoloji organlar, dokular ve hücreler üzerinde oluşan değişikliklerin mikroskop üzerinde incelenmesidir. İncelenmesi gereken dokular, mikro kesiciler tarafından incelenmeye uygun kalınlıkta kesilmektedir. Kesilen dokulara bazı boyama teknikleri uygulanmaktadır. Hematoksilin-Eozin(H&E) yöntemi, en yaygın kullanılan boyama tekniğidir. Hematoksilin, hücre çekirdeklerini mavi tonlarına, eozin ise sitozplazmaları pembe tonlarına boyamaktadır. Boyanan kesitler, uzman tarafından değerlendirilmektedir. Histopatoloji görüntüleri kanser hastalığının tespiti ve kanser durumunun derecelendirilmesi için oldukça önemli rol oynamaktadır. Bu görüntülerdeki çekirdeklerin daha kolay ve başarılı analiz edilmesi için literatürde birçok çalışma bulunmaktadır. Bu çalışmalar son zamanlarda derin öğrenmenin semantik segmentasyon alanına odaklanmış ve ilgili yöntemlerle umut verici sonuçlar elde edilmiştir. Her ne kadar çekirdek segmentasyon alanında derin öğrenme yöntemleriyle çeşitli çalışmalar gerçekleştirilmiş olsa da ilgili derin öğrenme mimarilerinin birbiriyle karşılaştırmalı analizini gerçekleştiren kapsamlı bir çalışma literatürde bulunmamaktadır. Bu çalışmada popüler derin öğrenme yöntemlerinden olan U-Net, SegNet, FCN ve DeepLabV3+ olmak üzere dört farklı mimari, çekirdek segmentasyonuna uygulanıp ve gerekli analizler yapılarak en fazla faydayı sağlayan mimariyi ortaya çıkartmak amaçlanmıştır. Çalışmada uygulanan genel çekirdek segmentasyonu metodolojisi üç aşamadan oluşmaktadır: 1) Görüntü verileri eğitilmeden önce CLAHE algoritması ile ön işlemden geçirilip daha kaliteli görüntüler elde edilmeye çalışılmıştır; 2) CLAHE algoritması ile ön işlemden geçirilen görüntü verileri kullanılarak ilgili derin öğrenme mimarisi ile eğitilmiştir; 3) Eğitilen model test görüntüleri üzerinde global doğruluk ve ortalama IOU gibi kriterler kullanılarak geçerleme işlemi gerçekleştirilmiştir. Deneysel çalışmalar için içerisinde birden fazla organın histopatoloji görüntülerini bulunduran MoNuSeg veri seti kullanılmıştır. Gerçekleştirilen deneysel çalışmalar sonucunda, DeepLabV3+ mimarisi diğer mimarilere oranla çok daha kısa sürede işlemini tamamlamış ve diğer mimarilerden gözle görülür ölçülde daha iyi performans elde etmiştir.Keywords : Çekirdek Segmentasyonu, DeepLabV3+, U-Net, SegNet, FCN, Histopatoloji Görüntüler