Günümüzde, meme kanseri, yaygınlaşan bir hastalık olarak incelenip, bilimsel çalışmalara sıklıkla konu olmaktadır. Meme dokularında, mutasyona uğramış HER2
tümörlü hücreler, hücre çeperinde bulunan HER2 proteininin artışıyla tespit edilmektedir. Protein artışının görünür kılınıp patologlar tarafından değerlendirilebilmesi için,
FISH (Fluorescent in Situ Hybridization) ve İmmuno Histo Kimya (İHK) tabanlı
olmak üzere iki farklı boyama tekniği kullanılmaktadır. Bu tekniklerden, zaman ve
maliyet açısından daha uygun olan ve ASCO / CAP 2013 önerilerine göre dört dereceli
bir skor ölçeği içeren İHK yaklaşımı, meme kanseri tedavi sürecinin belirlenmesinde
sıklıkla kullanılmaktadır.
Aşırı ekspresyonun analizi İHK'sal olarak yapılmaktadır. İHK 3+ olarak değerlendirilen
hastalarda, aşırı ekspresyonu vardır şeklinde bildirilir ve bu hastalara istisnai
durumlar haricinde Herceptin tedavisi uygulanır. Bu tedavinin uygulanabilmesi için
hastanın İHK'sal skoru 3+ ya da 2+ olmalıdır. Diğer skorlar (1+ ve 0) negatif olarak
değerlendirilir ve hastanın HER2 ekspresyonu normaldir şeklinde değerlendirilir. 3+
hastalarda Herceptin kullanılanbilir ancak, 2+ hastalar için kuşkulu yaklaşım sergilenir
ve İHK'sal teste ek olarak, FISH tekniği ile yeni bir analiz yapılarak, kuşkulu skor
desteklenir ya da negatif olarak değerlendirilir.
Çevresel membran hücre boyamasının tamamlanmamış olduğu durumlarda ve
boyama zayıf (soluk) olduğu durumlarda, tümör hücrelerinin %10'un üzerinde
olduğu saptanırsa, İHK 2+ olarak değerlendirilir. İHK 2+ değerlendirmeye alınan
bir diğer durum ise, çevresel membran boyanmasının yoğun ve tamamlanmış
olduğu ancak, tümör hücrelerinin %10'un altında yoğunluk gösterdiği durumdur.
Eğer çevresel membran boyanması tamamlanmamış veya boyamanın az çok fark
edilebilir nitelikte olduğu tümör hücrelerinin yoğunluğu %10'un üzerinde ise İHK
1+ olarak değerlendirilir. Çevresel membran boyanmasının tamamlanmamış olduğu
ya da boyanmanın olmadıgı ve tümör hücrelerinin yoğunluğunun %10'un altında
olduğu durumlarda ise, İHK 0 olarak değerlendirilir. İHK 1+ ve İHK 0 sonuçları
negatif, İHK2+ kuşkulu ve İHK 3+ pozitif olarak sınıflandırılır . Önerdigimiz yöntem
ile İHK'sal olarak HER2 analizini otomatik gerçekleştirecek ve İHK'sal skorunu
bildirecek bir çalışma anlatılmaktadır.
İHK ile boyanmış mikroskopik görüntülerin manuel HER2 değerlendirmesi boyanma
çeşitliliği, üst üste binmiş bölgeler ve homojen olmayan çok büyük slaytın
görülebilmesi sebebiyle hata yapmaya açık, zahmetli, gözlemciler arası değişken ve
zaman alıcı rutin laboratuvar işleri işerir. Bu sorunları gidermek için dijital patoloji,
tüm slayt görüntüsünün analiz edilmesinde ve yorumlanmasında, tekrarlanabilir,
otomatik ve objektif bir değerlendirme sunar. HER2 epitel doku tümörleri ile
ilişkili olduğundan ve meme tümörlerinin çoğu epitel dokudan kaynaklandığından,
farklı doku yapılarını ayırmak için bir yaklaşım geliştirmek çok önemlidir. Bu tez çalışmasında, meme kanseri görüntülerinde HER2'nin İHK skorunu otomatik olarak
değerlerlendirme yapmak için bilgisayar destekli tüm slayt bazlı derin öğrenme
metodunu tanıttık. Histopatoloji görüntülerinin yorumlanmasındaki subjektiflik ve
patologlar arası uyuşmazlıklar nedeniyle, üzerinde anlaşılmış ve yinelenebilen
methodların belirlenmesi gerekmektedir. HER2 değerlendirmesindeki bir önceki
methodun aksine, bu araştırmada tüm slayt görüntülerinde, hücre zarının derin
öğrenme temelli segmentasyonu kullanılarak HER2'nin sınıflandırılması gerçekleştirilir.
Analiz sonuçları ağin membrane hücre boyanması ve sitoplazmik veya hatalı
boyanma arasındaki farkı ayırt etmeyi başardığını gösterir. Test veri seti eğitim için
kullanılmadığından, dikkate değer yüksek doğruluk, modelin hücre zarlarını doğru
şekilde bölümlere ayırmayı iyi bir şekilde öğrendiğini gösterir. Patch'ler temel alarak
slaytları skorlayan ve sınıflandıran diğer derin öğrenme metodlarına karşın, tüm slayt
görüntülerini patologlar tarafından kabul edilen değerlendirme kılavuzlarını dikkate
alarak değerlendirdik. Önerilen teknik üç adımdan oluşmuştur.
Birinci aşama olarak, bütün slayt görüntüleri üzerindeki epitel ve stroma bölgelerini
sınıflandırabilmek için süperpiksel tabanlı öznitelik öğrenme sınıflandırıcısı olan
Destek Vektör Makinası (SVM) kullanılmışltır. Bu tezin ilk bölümünde, epitel ve
epitel olmayan (stroma) bölgelerini sınıflandırılmasında geleneksel makine öğrenmesi
algoritması geliştirilmiştir. Sınıflandırmanın söz konusu olduvu problemin çözümüne
yönelik algoritmalarda, SVM sıkça kullanılan bir makine öğrenmesi tekniğidir. Bütün
slayt görüntülerindeki bölgelerin, ikili örüntü (LBP) ve renk histogramı gibi bazı doku
ve renk öznitelikleri ekstrakt edilerek Destek Vektör Makinasına verilir. İlk olarak,
görüntü analizinde temel ön işlem protokollerinin başında gelen normalizasyon işlemi
uygulanır. Normalizasyon işleminin uygulanmasındaki amaç, kullanılacak olan her
öznitelik türü arasındaki aralık farklılıklarının yarattığı yanlılıkları (bias) ortadan
kaldırmaktır. Görüntü elde edilirken kullanılan farklı tarayıcılar ve farklı boyama
tekniklerinden kaynaklanan problemlerin önüne geçebilmek için piksel yoğunluğu
dağılımlarını standartlaştıran normalizasyon tekniği uygulanması gerekmektedir.
Normalizasyon tekniği uygularken kullanılan histogram dağılım değerini, belirlemiş
olduğumuz spesifik bir referans görüntünün (Diaminobenzidin uygulaması ) mavi
ve kahverengi kanallarının histogram değerlerine bakarak elde ettik. Denetlenen
sınıflandırıcıda, büyük slayt görüntülerindeki ilgili alanların (ROI'lerin) belirlenip,
özelliklerine göre sınıflandırılıp etiketlendirilebilmesi için el yapıcı öznitelikler
kullanılmıştır.
Bu aşamadan sonraki işlemler, büyük slayt görüntülerindeki tüm pikseller yerine,
artık belirlenmiş süperpiksellere uygulanmıştır. Anlamlı ve benzer bölgelerin
kümeselleştirildiği (gereksiz kısımların arıtıldığı) süperpikseller üzerinden öznitelik
çıkarmak performansı arttırmakla kalmamış, sonraki sınıflandırma aşaması için
değişken sayısını azaltmıştır. SVM, sınıflandırıcısını oluşturmak için gereken
etiketlenmiş ve anote edilmiş veriler, konusunda uzman patalog tarafından temin
edilmesi gerekmektedir. Patalog bu anotasyon işlemini gerçekleştirirken, İmmünohistokimyasal
(İHK) bütün slayt görüntülerindeki karmaşıklığın önüne geçebilmesi için
etiketleme işlemini küçük, detaylı ve tanımlayıcı epitel ve stroma bölgeleri üzerinde
yapması gerekmektedir.
İkinci aşamada, epitel bölgeler üzerinde, Konvolüsyenel Sinir Ağları (KSA) tabanlı
segmentasyon yöntemi membranöz bölgeleri bölütlemek için kullanılmıştır. KSA
genellikle sınıflandırma işlerinde kullanılır, fakat UNet mimarisi karmaşık yapıları
sınıflandırmak ve bölümlere ayırmak için insan görsel algılama sistemi tarafından
tanınabilir yerelleştirilmiş öznitelikler ekstrakt eder. Bu öznitelikler, UNet'in her
piksele etiket atamayı mümkün kılan alt örnekleme özelliği kullanılarak sağlanır.
Biyomedikal uygulamalarda, karmaşıklık ve yüksek veri toplama maliyeti gibi
sebeplerden dolayı, dijital analiz ortamda insan gözüne yakın seviyede sonuçlar
elde edilmeye çalışılırken problemler yaşanmaktadır. Makine öğrenmesi metotlarıyla,
çok az sayıda eğitim örneği ile iyi sonuçlar elde edilerek bu zorlukların üstesinden
gelinebilir.
Anote edilmiş eğitim görüntülerini eğitebilmek için Keras kütüphanesini kullandık.
UNet mimarisi çok az sayıda eğitim görüntüsünde çalışabilir hale gelebilmek için
değiştirilen ve genişletilen her evrişimin geçerli bölümünü kullanır. Mevcut ağı
desteklemek ve başarılı bir sonuç almak için, pooling öperatörü yöntemi yerine
üstörnekleme yöntemi kullandı. Üstörnekleme yöntemi her bir girdinin çözünürlüğünü
arttırmış oldu. Daha yerel ve kusursuz sonuç elde edebilmek için yüksek çözünürlüklü
öznitelikler ekstrakt edildi. UNet mimarisi her bir kıvrımın sadece geçerli parçasını
kullanır. Tüm parça bölütleme haritasının piksellerini barındıran girdi resminde
mevcuttur. UNet aşağı örnekleme (solda) ve üst örnekleme olarak bilinen geniş bir
patika yolundan oluşur. İki adet 3 x 3 konvolüsyon devamlı olacak şekilde ve her
birinin ardından Rectified Linear Unit (ReLU) uygulanılacak şekilde kullanıldı. Ayrıca
mimari, 2 birim kaydırmalı ve 2 x 2 maksimum pooling operatörü içermektedir. Her
alt örnekleme adımında, kanallardaki öznitelik sayısıiki katına çıkar. Bunun sonucu
olarak, her geniş haritadaki özellik haritasının bir örneklemesi 2 x 2'lik üst evriçim
içermektedir. İstenilen sayıda sınıfı bulabilmek için 1 x 1'lik tabakanın her 64
bileşen özniteliği vektörünü son tabakada işlemesi gerekmektedir. Mimari toplamda
23 konvolüsyenel tabakaya sahiptir. Sonuç olarak, bölünmüş fayanslar birleştirilir ve
her slaytın toplam puanı değerlendirilir. 50 slayt için elde edilen sonuçlar, el yapımı
öznitelikler ve derin öğrenme öğretileriyle karşılaştırılır. Her bir fayansın ayrı olarak
işlenmesinden sonra, tüm fayans sonuçları birliştirilip, genel bir skor elde edilir.
Bölme işlemi esnasında, bazı hücre çekirdekleri kusurlu olan ve normal
olan hücre çekirdeği diye ayıklanır. Bu ayıklanma sürecinde bazı zorluklarla
karşılaşılmıştır. Hücre çekirdekleri iki fayans bölgesinin arasında kaldığında
problemlem oluşabilmektedir. Olabilecek bir yanlışlıktan kaçınmak için, küçük
fayans bölgeleri köşe tarafları gözetilerek ekstrakt edilmiştir. Yataysal birleştirilme
yapılırken, sağdaki görüntüyü içeren fayans bölgesinin sol kısmının diğer fayansa
yakın olan parçasıile, soldaki görüntüyü içeren fayans bölgesinin sağ kısmının sağdaki
fayansa yakın olan bölgesi kombine edilmiştir. Buna benzer olarak, dikey birleştirme
aşamasında da, üst görüntüyü içeren fayans bölgesinin alt kısmı ile, alt görüntüyü
içeren fayans görüntüsünün üst kısmı birleştirilmiştir.
Elde edilen deneyler, boyalı veriler içeren İHK görüntüleri üzerinde, önerilen
algoritmamızın ümit verici performans elde ettiğini göstermektedir. Geliştirmiş
olduğumuz yazılımımızın, diğer literatürde bulunan epitel bölgelerideki süperpiksel
bazlı sınıflandırma yöntemlerini içeren ve KSA kullanılarak yapılmış membranöz hücre
boyamaların bölütlenmesinde kullanılmış diğer algoritmaları içeren yaklaşımlardan
daha iyi performans gösterdiği gözlemlenmiştir.
|
Breast cancer is the second most common form of cancer among women in the US
that leads to death. The uncontrollable growth of cells in the breast tissue causes
breast cancer. Identification of biomarkers in tissues carry significant biological
information. Evaluating the expression level in some biomarkers play an essential
role in cancer diagnosis. Digital pathology proposes an appreciable way to prevail
the non-objectivity by analysing the biological images. Immunohistochemistry (IHC)
analysis is a method for demonstrating the presence and location of proteins in tissue
sections which introduce new demands on the reproducibility, accuracy, and specificity
of the extracted information. The automated analysis in Whole Slide Image (WSI)
has recently achieved considerable attention because of the accessibility of digital
slide scanners and the increasing importance of tissue-based biomarkers of stratified
medicine. Several biomarkers have been identified for breast cancer. Normally, Human
Epidermal Growth Factor Receptor 2 (HER2) proteins are responsible for division
and growth of healthy breast cells. HER2 status is currently assessed using IHC as
well as In Situ Hybridization (ISH) in equivocal cases. Manual HER2 evaluation of
IHC stained microscopic images involves error-prone, tedious, inter-observer variable,
and time-consuming routine lab work due to diverse staining, overlapped regions, and
non-homogeneous remarkable large slides. To address these issues, digital pathology
offers reproducible, automatic, and objective analysis and interpretation of WSI.
Since HER2 is associated with tumors of an epithelial region and most of the breast
tumors originate in epithelial tissue, it is crucial to develop an approach to segment
different tissue structures. The proposed technique has comprised of three steps. In
the first step, a superpixel based Support Vector Machine (SVM) feature learning
classifier is proposed to classify epithelial and stromal regions from WSI. In the
second stage, on epithelial regions, a Convolutional Neural Network (CNN) based
segmentation method is applied to segment membrane regions. Finally, divided tiles
are merged and the overall score of each slide is evaluated. Experimental results
for 50 slides are presented and compared with state-of-the-art handcraft and deep
learning approaches. The experiments demonstrate that the proposed method achieved
promising performance on IHC stained data. Our automated algorithm was shown
to outperform other approaches in terms of superpixel based classifying of epithelial
regions and segmentation of membrane staining using CNN. |