Lenf Kanserine İlişkin Patoloji Görüntülerinin Makine Öğrenimi Yöntemleri ile Sınıflandırılması

Abstract

Son yıllarda dijital patoloji görüntülerinin sınıflandırılması konusunda yapılan görüntü işleme ve makine öğrenimi temelli çalışmalardaoldukça başarılar sonuçlar elde edildiği görülmektedir. Elde edilen yüksek doğruluk değerleri, dijital patoloji alanında makine öğrenimitemelli sistemlerin patoloji kliniklerinde patologlara yardımcı sistemler olarak kullanılabileceğini göstermektedir. Önümüzdeki 30 yıliçerisinde özellikle patoloji alanında yapay zeka ve makine öğrenimi temelli çözümlerin çok daha yüksek oranda kullanılacağıöngörülmektedir. Bu çalışmada lenf kanserinin üç farklı türüne ait dijital patoloji görüntülerin farklı makine öğrenimi teknikleri ilesınıflandırılması işlemi gerçekleştirilmiştir. Çalışma kapsamında veri seti olarak Chronic Lymphocytic Leukaemia (CLL), FollicularLymphoma (FL) ve Mantle Cell Lymphoma (MCL) kanserlerine ilişkin dijital patolojik görüntüler kullanılarak özellik çıkarımı vemakine öğrenim algoritmalarının eğitilmesi ve karşılaştırılması yapılmıştır. Çalışmada her bir lenf kanseri türüne ait 45 adet olacakşekilde toplamda 135 adet dijital patoloji görüntüsü ön işlemlerden gerçirilerek renk yoğunluğu, piksel yoğunluğu, entropi hesabı vemorfolojik 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 değerlerikarşılaştırıldığında en iyi sonuç %89,72 doğruluk oranı ortalamasıyla Random Forest tarafından elde edilmiştir.