|
Dünya Sağlık Örgütü'ne göre kısırlık; çiftlerin herhangi bir koruma olmaksızın on iki ay ve daha fazla süre boyunca düzenli cinsel ilişkiye girmelerine rağmen gebeliğin oluşmama durumu olarak tanımlanır. Günümüzde kısırlık dünya nüfusunun yaklaşık %20'sini etkileyen yaygın bir problem haline gelmiştir. Kısırlığın teşhisi yapılırken kadın ve erkeğin ayrı ayrı üreme hücreleri incelenir. Erkeklere ilişkin kısırlık faktörlerinin teşhisinde, laboratuvar ortamında belirli koşullar altında sperm hücrelerinin analizi yapılır. Sperm hücrelerinin analizi yapılırken şekil (morfoloji), sayı (konsantrasyon) ve hareket (motilite) olmak üzere spermin üç önemli özelliğinden faydalanılır. Sperm analizi doktorlar tarafından görsel olarak yapılabileceği gibi bilgisayar destekli sperm analiz sistemleri kullanılarak da yapılabilmektedir. Görsel incelemenin kişiden kişiye farklı sonuçlar vermesi ve maliyetli olması nedeniyle bilgisayar destekli analizlerin önemi her geçen gün artmaktadır. Öte yandan, bilgisayar tabanlı uzman sistemler daha tutarlı ve güvenilirdir. Ancak çok pahalı sistemler oldukları için pek çok laboratuvarda bulunmamaktadır. Tez çalışmasında genel olarak, her iki yöntemin dezavantajlarını ortadan kaldırmak için bilgisayarlı analiz kısmı ile görsel değerlendirme ortamından yararlanan hibrit bir uzman sistem geliştirilmiştir. Geliştirilen sistem ile manuel yönlendirme ve kırpma işlemleri ortadan kaldırılmıştır. Tez kapsamında uzun eğitim sürelerinden kaçınmak adına geleneksel makine öğrenmesi modellerinin yerine derin öğrenme tabanlı yöntemler kullanılmıştır. Geliştirilen sistemde, sperm görüntülerinden sperm morfolojisi analizi ve sperm videolarından sperm tespiti gibi iki modüler yaklaşım kullanılmıştır. İlk modül olan morfoloji analizinde, sağlıklı sonuçlar elde etmek için sperm görüntülerinin anlaşılabilir olması gerekir. Ancak, kameranın titremesi, düşük kalite kamera kullanımı vb. nedenlerden dolayı bu görüntüler yeterince anlaşılır olmayabilirler. Tez çalışması kapsamında sperm şekli için bilgisayar tabanlı bir analiz yaklaşımının sınıflandırma performansını artırmak için ön işleme adımı olarak farklı renk uzaylarının etkisi ve interpolasyon yöntemlerinin uygulanması araştırılmıştır. Ayrıca, hem en yüksek sınıflandırma doğruluğunu elde etmek, hem de veri dengesizliği ve veri yetersizliği problemlerini çözmek için çeşitli veri artırma işlemleri uygulanmıştır. Daha sonra sperm görüntülerinin morfolojik sınıflandırmasını tamamen otomatikleştirmek için derin öğrenme tabanlı altı farklı Evrişimsel Sinir Ağ (Convolutional Neural Network - CNN) modeli oluşturulmuştur. Ek olarak, bu modeller üzerinde çoğunluk oylaması (hard voting) ve ağırlıklı oylama (soft voting) olmak üzere iki karar düzeyinde birleştirme (fusion) yöntemi uygulanmıştır. Oluşturulan modellerin dışında transfer öğrenme yöntemleri ile önceden eğitilmiş modellerin bazı katmanları modifiye edilerek kullanılmıştır. Önerilen yaklaşımın performansını değerlendirmek için SMIDS, HuSHeM, SCIAN-Morpho ve MHSMA olarak kısaltılan dört sperm morfolojisi veri seti kullanılmıştır. Sperm hücrelerinin morfolojik olarak sınıflandırılması aşamasında doğruluk skorlarına ek olarak Kesinlik (Precision), Duyarlılık (Recall), Özgüllük (Specificity), F-Skor (F-score) ve Kappa gibi birçok performans metriği kullanılmıştır. İkinci modülde ise sperm hücrelerinin tespiti, konsantrasyon ve hareket parametrelerinin belirleme aşaması ele alınmıştır. Bu modülde, sperm örneklerinin konsantrasyon ve hareketlilik özelliklerini elde etmek için sperm tespitinde derin öğrenme tabanlı nesne tespit yöntemleri kullanılmıştır. İlk olarak farklı kısır hastalardan elde edilen örnek sperm videoları, mikroskobun oküler kısmına monte edilen bir akıllı telefon aracılığıyla kaydedilmiştir. Daha sonra videolar içindeki hücreler sperm ve sperm olmayan olarak ayrı ayrı etiketlenmiştir. Etiketlenmiş veri seti üzerinde farklı senaryolar test edilmiştir. Sonuçlar doğruluk (Mean Average Precision - mAP) ve hız açısından karşılaştırılmıştır.
Sonuç olarak hem sperm hücrelerinin morfolojik sınıflandırılması hem de videolarda sperm hücrelerinin tespit aşamalarında literatürdeki çalışmalara kıyasla daha başarılı sonuçlar elde edilmiştir.
|
|
According to the World Health Organization, infertility is defined as the absence of pregnancy despite the fact that couples have regular sexual intercourse for twelve months or more without any protection. Today, infertility has become a common problem affecting approximately 20% of the world's population. When diagnosing infertility, reproductive cells of men and women are examined separately. In the diagnosis of male infertility factors, analysis of sperm cells is carried out under certain conditions in a laboratory setting. When analyzing sperm cells, three important characteristics of sperm (morphology, concentration, and motility) are utilized. Sperm analysis can be done visually by experts or by using computer aided sperm analysis systems. The importance of computer-assisted analysis is increasing day by day because visual examination gives different results from person to person and is costly. On the other hand, computer-based expert systems are more consistent and reliable. However, they are not available in many laboratories because they are very expensive systems. In this study, a hybrid expert system was developed using the computerized analysis part and the visual evaluation environment in order to eliminate the disadvantages of both methods. With the developed system, manual orientation and clipping processes have been eliminated. In the scope of the thesis, deep learning-based methods have been used instead of traditional machine learning models in order to avoid long training times. In the developed system, two modular approaches (sperm morphology analysis from sperm images and sperm detection from sperm videos) were used. In morphology analysis, sperm images must be understandable for obtaining healthy results. However, due to some distorting effects such as camera shake, poor quality camera usage etc., these images may not be clear enough. Within the scope of the thesis, in order to improve the classification performance of a computer-based analysis approach for sperm shape, the effect of different color spaces and the application of interpolation methods as a pre-processing step were investigated. In addition, various data augmentation processes have been applied for obtaining the highest classification accuracy and solving the data imbalance and lack of data problems. Then, six different Convolutional Neural Network (CNN) models based on deep learning were created to fully automate the morphological classification of sperm images. In addition, fusion methods at two decision levels, hard voting, and soft voting, were applied on these models. Apart from the created models, some layers of the pre-trained models with transfer learning methods were modified and used. Four sperm morphology datasets abbreviated as SMIDS, HuSHeM, SCIAN-Morpho and MHSMA were used to evaluate the performance of the proposed approach. In addition to accuracy scores, many performance metrics such as Precision, Sensitivity (Recall), Specificity, F-score and Kappa were used in the morphological classification of sperm cells. In the second module, the detection of sperm cells, the determination of concentration and motility parameters were discussed. In this module, deep learning-based object detection methods were used for sperm detection to obtain the concentration and motility properties of sperm samples. First, sample sperm videos from different infertile patients were recorded via a smartphone mounted on the ocular part of the microscope. The cells within the videos were then labeled separately as sperm and non-sperm. Different scenarios were tested on the labeled data set. Results were compared for accuracy (Mean Average Precision - mAP) and training time.
As a result, more successful results were obtained in both the morphological classification of sperm cells and the detection of sperm cells in videos compared to the studies in the literature. |
