BİYOMEDİKAL İMGELER İÇİN YAPAY ZEKÂ TABANLI HÜCRE SEGMENTASYONU YÖNTEMİ

Tez Türü: Doktora

Tezin Yürütüldüğü Kurum: Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Ve Haberleşme Mühendisliği Anabilim Dalı, Türkiye

Tez Danışmanı: Ufuk Özkaya

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Özet:

Günümüzde kullanılan biyomedikal görüntüleme sistemleri incelendiğinde, manuel olarak uygun ve istenilen veriye uzman tarafından kısa sürede ulaşmanın zor olduğu, ulaşılan veriyi incelemenin ve tespit etmenin ise efektif olarak gerçekleştirilemediği bilinmektedir. Bu nedenle, biyomedikal görüntülerin analizi için yardımcı olacak, amaca uygun otomatik görüntüleme algoritmalarının geliştirilmesine ihtiyaç duyulmaktadır. Bu amaçla, biyomedikal görüntülerde hücre tespiti ve segmentasyonu otomatik biyomedikal imge analizi için önemli bir rol oynamaktadır.

Hücre segmentasyonunun gerçekleştirilmesinde biyomedikal görüntünün çeşitliliğine bakılmaksızın karşılaşılan problemlerin başında, kullanılan biyomedikal görüntülerin düşük kontrasta sahip olması ve bu görüntüler içerisinde yoğun bir şekilde örtüşen hücrelerin bulunması gelmektedir. Bu nedenle, tez kapsamında otomatik biyomedikal imge analizinde kullanılmak üzere örtüşen ve temas eden hücrelerin doğru bir şekilde bölütlenmesini sağlayan yapay zekâ tabanlı bir hücre segmentasyon yöntemi önerilmiştir.

Önerilen üretken çekişmeli ağ tabanlı model ile, bireysel hücre görüntüleri, o görüntülere ait sitoplazma kesin referans görüntülerine dönüştürülmekte ve bireysel hücrelere ait sitoplazma bölgeleri tespit edilmektedir. Literatüre üretken çekişmeli ağ modeli olarak sunulan ve imge-imge dönüşümü için kullanılan pix2pix modeli temel alınarak önerilen hücre segmentasyon modeli oluşturulmuştur. Üretken çekişmeli ağ tabanlı modelin üretici ağında literatürde yer alan biyomedikal imge işleme uygulamalarında sıklıkla kullanılan bir evrişimsel sinir ağı olan U-Net kullanılmıştır. Modelde ayrıştırıcı ağ olarak ise piksel bazlı olarak işlem yapmak yerine belirli bir bölgede işlem yapmasını sağlayarak yöntemin hızlı bir şekilde çalışmasına olanak sağlayan PatchGAN mimarisi kullanılmıştır.

Önerilen hücre segmentasyon modeli ISBI 2014, ISBI 2015, Herlev ve CISD adı ile literatürde yer alan açık kaynaklı veri kümeleri üzerinde uygulanmıştır. Yöntemin başarısını test edebilmek amacıyla iki farklı uygulama gerçekleştirilmiştir. İlk uygulama olarak, kullanılan tüm veri kümelerinde yer alan görüntülerden karma bir veri kümesi oluşturulmuş ve bu kombinasyon veri kümesi ile önerilen model eğitilmiştir. Test aşamasında ise, eğitimde yer almayan hücre görüntüleri kullanılmıştır. İkinci uygulamada ise önerilen yöntemin gürbüzlüğünü test edebilmek adına çapraz doğrulama işlemi gerçekleştirilmiştir. Çapraz doğrulama uygulamasında, veri kümeleri ayrı ayrı eğitim aşamasında kullanılmış, eğitimde yer almayan veri kümeleri ile eğitilen model kullanılarak yöntem test edilmiştir. Bu sayede, yöntemin eğitim aşamasında yer almayan hücre görüntülerinde bile başarılı bir segmentasyon işlemi gerçekleştirip gerçekleştirilmediği incelenmiştir.

Her iki uygulama için de önerilen model tarafından tahmin edilen sitoplazma bölgesi ile hücrelere ait kesin referansta yer alan sitoplazma bölgeleri karşılaştırılarak başarım metrikleri hesaplanmıştır. Jaccard indeksi, dice katsayısı, kesinlik ve geri çağırma gibi segmentasyon amacıyla literatürde yer alan çalışmalarda kullanılan başarım metrikleri hesaplanmıştır. Elde edilen metrik sonuçları literatürde yer alan hücre segmentasyon yöntemleri ile kıyaslanmıştır.

Elde edilen sonuçlar incelendiğinde, önerilen yöntem ile farklı özelliklere sahip hücrelerin ek bir algoritmaya ihtiyaç duyulmaksızın doğru bir şekilde segmente edilebildiği görülmüştür. Herlev veri kümesinde 0.90, ISBI 2014 veri kümesinde 0.94 ve CISD veri kümesinde ise 0.96 Dice katsayısı elde edilmiştir. Literatürde yer alan çalışmalarda ve yarışmalarda Dice katsayısının 0.7 üzerinde olması “iyi segmentasyon” kriteri olarak tanımlanmaktadır. Bu düşünüldüğünde farklı özelliklere sahip üç veri kümesi için de elde edilen sonuçların iyi segmentasyon ölçütünü aştığı söylenebilmektedir. Önerilen yöntemin çapraz doğrulama sonuçları incelendiğinde, eğitimde yer almasa bile farklı morfolojik özelliklere sahip hücre görüntülerinin sitoplazmalarını ‘iyi segmentasyon’ kriterine göre başarılı bir şekilde tespit ettiği görülmektedir. Önerilen yöntemin farklı örtüşme derecelerinde başarılı olması, farklı hücre tipleri için kullanılabilmesi ve gürbüz olması nedeniyle otomatik analiz sistemlerinde kullanılabileceği düşünülmektedir.