Çekişmeli üretken ağlarla Pap-Smear görüntüsü oluşturmada yeni bir yaklaşım

Yıl 2022, , 1401 - 1410, 28.02.2022

Sara Altun , Muhammed Fatih Talu

https://doi.org/10.17341/gazimmfd.939092

Öz

Histopatolojik Pap-Smear görsellerinin bilgisayarlı tanı/tespit yazılımlarıyla değerlendirilerek rahim ağzı kanser varlığının otomatik tespit edilmesi konusu aktif bir çalışma alanıdır. Bunun nedeni görsellerde bulunan nesnelerin (hücre çekirdeği, sitoplazma, beyaz kan hücresi, bacil ve benek) üstüste gelerek birbirinin geometrik yapısını ve desenini değiştirmesi, farklı yoğunlukta görüntüye dağılmaları, ve gürültü modellerinin farklı olmalarıdır. Ayrıca etiketlenmiş büyük veri kümesi oluşturmadaki zorluk ve maliyetler bu alanda ortak bir veri kümesinin ortaya çıkmasını engellemiştir. Bahsedilen zorluklar mevcut sınıflandırma çalışmalarındaki başarımları olumsuz etkilemekte ve yeni yaklaşımlara olan ihtiyacı tetiklemektedir. Bu çalışmada, Çekişmeli Üretken Ağlar (ÇÜA) kullanılarak büyük Pap-Smear veri kümeleri inşa etmeye dayalı üç aşamalı bir yaklaşım önerilmektedir. Buna göre ilk aşamada, Pap-Smear görsellerindeki her bir nesne yapısının geometrik şekil ve desen modelleri oluşturulmaktadır. İkinci aşamada, üretilen parametrik modeller kullanılarak istenilen sayıda ve dağılımda nesneye sahip sentetik Pap-Smear görselleri (Ground True) üretilmektedir. Üçüncü aşamada, mevcut ÇÜA’ların (Pix2Pix, CycleGAN, DiscoGAN ve AttentionGAN) GT’yi üretme performansları değerlendirilmekte ve çözüm odaklı yeni bir güncel ÇÜA mimarisi (Pix2PixSSIM) önerilmektedir. Yapılan deneysel çalışmalar, önerilen ÇÜA mimarisiyle oldukça kısa bir sürede büyük Pap-Smear veri kümesinin üretilebildiğini ortaya koymaktadır. Bu sayede yüksek sınıflandırma başarısına sahip derin ağların eğitilebileceği görülmektedir.

Anahtar Kelimeler

Pap-Smear, görüntü üretimi, derin öğrenme, konvolüsyonel sinir ağı, çekişmeli üretken ağlar

Kaynakça

• [1] Malm, P., Brun, A., & Bengtsson, E., Simulation of bright‐field microscopy images depicting pap‐smear specimen. Cytometry Part A, 87(3), 212-226, 2015.
• [2] Efros, A. A., & Freeman, W. T. Image quilting for texture synthesis and transfer. In Proceedings of the 28th annual conference on Computer graphics and interactive techniques, 341-346, (2001, August).
• [3] Ng, H. N., & Grimsdale, R. L.. Computer graphics techniques for modeling cloth, IEEE Computer Graphics and Applications, 16(5), 28-41, 1996.
• [4] Zhu, J. Y., Park, T., Isola, P., & Efros, A. A., Unpaired image-to-image translation using cycle-consistent adversarial networks, In Proceedings of the IEEE international conference on computer vision, 2223-2232. 2017.
• [5] Sato, M., Hotta, K., Imanishi, A., Matsuda, M., & Terai, K., Segmentation of Cell Membrane and Nucleus by Improving Pix2pix., In BIOSIGNALS, 216-220, (2018, January).
• [6] Zhu, J. Y., Park, T., Isola, P., & Efros, A. A., Unpaired image-to-image translation using cycle-consistent adversarial networks, In Proceedings of the IEEE international conference on computer vision, 2223-2232, 2017.
• [7] Kim, T., Cha, M., Kim, H., Lee, J. K., & Kim, J. Learning to discover cross-domain relations with generative adversarial networks, In International Conference on Machine Learning, 1857-1865, PMLR, (2017, July).
• [8] Mejjati, Y. A., Richardt, C., Tompkin, J., Cosker, D., & Kim, K. I., Unsupervised attention-guided image to image translation. arXiv preprint arXiv:1806.02311, 2018.