TY  - JOUR
T1  - Lenf Kanserine İlişkin Patoloji Görüntülerinin Makine Öğrenimi Yöntemleri ile Sınıflandırılması
TT  - Classification of Lymph Cancer Pathology Images Using Machine Learning Methods
AU  - Varol, Ayşe Berika
AU  - İşeri, İsmail
PY  - 2019
DA  - October
DO  - 10.31590/ejosat.638372
JF  - Avrupa Bilim ve Teknoloji Dergisi
JO  - EJOSAT
PB  - Osman SAĞDIÇ
WT  - DergiPark
SN  - 2148-2683
SP  - 404
EP  - 410
LA  - tr
AB  - Sonyıllarda dijital patoloji görüntülerinin sınıflandırılması konusunda yapılangörüntü işleme ve makine öğrenimi temelli çalışmalarda oldukça başarılar sonuçlar elde edildiği görülmektedir. Elde edilenyüksek doğruluk değerleri, dijital patoloji alanında makine öğrenimi temellisistemlerin patoloji kliniklerinde patologlara yardımcı sistemler olarakkullanılabileceğini göstermektedir. Önümüzdeki 30 yıl içerisinde özellikle patolojialanında yapay zeka ve makine öğrenimi temelli çözümlerin çok daha yüksekoranda kullanılacağı öngörülmektedir. Bu çalışmada lenf kanserinin üç farklıtürüne ait dijital patoloji görüntülerin farklı makine öğrenimi teknikleri ilesınıflandırılması işlemi gerçekleştirilmiştir. Çalışma kapsamında veri setiolarak Chronic Lymphocytic Leukaemia(CLL), Follicular Lymphoma (FL) ve Mantle Cell Lymphoma (MCL)kanserlerine ilişkin dijital patolojik görüntüler kullanılarak özellik çıkarımıve makine öğrenim algoritmalarının eğitilmesi ve karşılaştırılması yapılmıştır.Çalışmada her bir lenf kanseri türüne ait 45 adet olacak şekilde toplamda 135adet dijital patoloji görüntüsü ön işlemlerden gerçirilerek renk yoğunluğu,piksel yoğunluğu, entropi hesabı ve morfolojik alan hesabı özellikleri eldeedilmiştir. Ardından her bir görüntü için elde edilen özellik vektörleri Random Forest, K-NN, Navie Bayes, Destek Vektör Makinesi (SVM) ve K-Star algoritmalarınagirdi olarak verilerek sınıflandırma işlemi gerçekleştirilmiştir. Son aşamadaelde edilen değerler Özgüllük (Specificity), Hassasiyet (Precision), Geri Çağırma (Recall) ve Doğruluk (Accuracy) performansmetriklerine göre hesaplanıp, algoritmaların kıyaslaması yapılmıştır. Bu yöntemler ile algoritmalarınperformans değerleri karşılaştırıldığında en iyi sonuç %89,72 doğruluk oranıortalamasıyla Random Forest tarafındanelde edilmiştir.
KW  - Görüntü İşleme
KW  - Makine Öğrenimi
KW  - Patoloji
N2  - In recent years, it is seen that the results obtained from the image processing and machine learning based studies on the classification of digital pathology images have been achieved quite successfully. The high accuracy values show that machine learning based systems in the field of digital pathology can be used as second reader systems for pathologists in pathology clinics. It is expected that in the next 30 years, solutions based on artificial intelligence and machine learning will be used at a much higher rate, especially in the field of pathology. In this study, digital pathology images belonging to three different types of lymph cancer were classified with different machine learning techniques. In the scope of the study, feature extraction and machine learning algorithms were trained and compared by using digital pathological images of Chronic Lymphocytic Leukaemia (CLL), Follicular Lymphoma (FL) and Mantle Cell Lymphoma (MCL) cancers as data set. In this study, 45 digital pathology images of each type of lymph carcinoma totaly 135 images were passed from the preprocessing stage and then color density, pixel density and entropy calculation features were exctracted. Then, the feature vectors obtained for each image were used as  input to Random Forest, K-NN, Navie Bayes, Support Vector Machine (SVM) and K-Star algorithms and the classification process was performed. In the last stage  the Specificity, Precision, Recall and Accuracy performance metrics were calculated  and the algorithms were compared. The best result were obtained by Random Forest Classifier for classification of three types of lymphoma with an average accuracy of 89.72%.
CR  - Abdoulaye, I. B. C., & Demir, Ö. (2017). Mamografi Görüntülerinden Kitle Tespiti Amacıyla Öznitelik Çıkarımı.
CR  - Albayrak, A. (2013). Histopatolojik görüntülerde mitoz belirleme.
CR  - Avunduk, M. C. & Sezgin, E. (2007). Patolojik Görüntülerin Bilgisayarlı Analiz Programı İle Değerlendirilmesi, Selçuk Üniversitesi Dijital Arşiv
CR  - Ayyadevara, V. K., & Ayyadevara, V. K. (2018). Random Forest. In Pro Machine Learning Algorithms (pp. 105–116). https://doi.org/10.1007/978-1-4842-3564-5_5
CR  - Buckstein, R., Pennell, N., & Berinstein, N. L. (2005). What is Remission in Follicular Lymphoma And What is its Relevance?. Best Practice & Research Clinical Haematology, 18(1), 27-56
CR  - Celasun, B., (2018). Patoloji Nedir?, http://www.turkpath.org.tr/content.php?id=35 , (Erişim: 10.03.2019)
CR  - Yörükoğlu, K., Usubütün, A., Doğan, Ö., Önal, B., & Aydın, Ö. (2009). Türkiye’de Patoloji Laboratuvarlarının Genel Profili. Türk Patoloji Dergisi, 25, 19-28.
CR  - Cleary, J. G., & Trigg, L. E. (1995). K*: An Instance-Based Learner Using An Entropic Distance Measure, In Machine Learning Proceedings, pp. 108-114
CR  - Demir, B., Çetin, N., & Kuş, Z. A. (2016). Görüntü İşleme Tekniği ile Yabancı Ot Renk Özelliklerinin Belirlenmesi. Alınteri Zirai Bilimler Dergisi, 31(2), 59-64.
CR  - Demir, Ö., & Yılmaz Çamurcu, A. (2015). Computer-Aided Detection of Lung Nodules Using Outer Surface Features. Bio-Medical Materials And Engineering, 26(S1), S1213-S1222.
CR  - Demir, V., Kahraman, S., Katgı, A., Pişkin, Ö., Özsan, G. H., Demirkan, F., Ündar. B. & Özcan, M. A. (2012). Kronik Lenfositik Lösemi Hastalarının Genel Klinik Değerlendirilmesi. Dokuz Eylül Üniversitesi Tıp Fakültesi Dergisi, 26(1), 9-19
CR  - Digital Health, Accenture, Erişim adresi https://www.accenture.com/us-en/health-industry-index
CR  - Erçelebi, E., & Subasi, A. (2006). Classification Of EEG For Epilepsy Diagnosis in Wavelet Domain Using Artifical Neural Network And Multi Linear Regression. In 2006 IEEE 14th Signal Processing and Communications Applications.
CR  - Fan, Y., Shen, D., & Davatzikos, C. (2005, October). Classification of Structural İmages Via High-Dimensional Image Warping, Robust Feature Extraction, and SVM. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 1-8). Springer, Berlin, Heidelberg.
CR  - Ishikawa, T., Takahashi, J., Takemura, H., Mizoguchi, H., & Kuwata, T. (2013, October). Gastric Lymph Node Cancer Detection of Multiple Features Classifier for Pathology Diagnosis Support System. In 2013 IEEE International Conference on Systems, Man, and Cybernetics, pp. 2611-2616
CR  - Jafari-Khouzani, K., & Soltanian-Zadeh, H. (2003). Multiwavelet Grading of Pathological Images of Prostate. IEEE Transactions on Biomedical Engineering, 50(6), 697-704.
CR  - Janowczyk, A, (2015). Digital Histology, Deep Learnıng, Erişim adresi http://www.andrewjanowczyk.com/use-case-7-lymphoma-sub-type-classification/
CR  - Janowczyk, A., & Madabhushi, A. (2016). Deep Learning for Digital Pathology Image Analysis: A Comprehensive Tutorial with Selected Use Cases. Journal of Pathology Informatics, 7
CR  - Jiang, H., Li, Z., Li, S., & Zhou, F. (2018, October). An Effective Multi-Classification Method for NHL Pathological Images. In 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 763-768). IEEE.
CR  - Koçyiğit, İ., Kaynar, L. & Çetin, M. (2008). Hematopoetik Kök Hücre Biyolojisi. Türkiye Klinikleri Hematology-Special Topics, 1(2), 16-22
CR  - Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., & Fotiadis, D. I. (2015). Machine Learning Applications in Cancer Prognosis and Prediction. Computational And Structural Biotechnology Journal, 13, 8-17.
CR  - Madabhushi, A., & Lee, G. (2016). Image Analysis and Machine Learning in Digital Pathology: Challenges and Opportunities. pp. 170-175
CR  - Nabizadeh, N., & Kubat, M. (2015). Brain Tumors Detection and Segmentation in MR Images: Gabor Wavelet vs. Statistical Features. Computers & Electrical Engineering, 45, 286-301.
CR  - Nagar, H., Dabas, C., & Gupta, J. P. (2017). Navie Bayes and K-Means Hybrid Analysis for Extracting Extremist Tweets. International Journal of Control Theory and Application, 10(4), 209–221.
CR  - Nguyen, T. T., & Armitage, G. J. (2008). A Survey of Techniques for Internet Traffic Classification Using Machine Learning. IEEE Communications Surveys and Tutorials, 10(1-4), 56-76.
CR  - Peterson, L. (2009). K-nearest neighbor. Scholarpedia, 4(2), 1883. https://doi.org/10.4249/scholarpedia.1883
CR  - Sezgin, E. (2007). Patolojik Görüntülerin Bilgisayarlı Analiz Programı ile Değerlendirilmesi (Doctoral Dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
CR  - Türkoğlu, İ., Şengür, A., & Toraman, S. (2013) Tıbbi Görüntülerden İstenen Bir Örüntünün Ayrıştırılması. Yıldız Teknik Üniversitesi DSpace Kurumsal Arşiv
CR  - Yıldız, O., Bilge, H. Ş., Akcayol, M. A., & Güler, İ. (2012). Meme Kanseri Sınıflandırması İçin Veri Füzyonu Ve Genetik Algoritma Tabanlı Gen Seçimi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 27(3).
CR  - Yörükoğlu, K., Usubütün, A., Doğan, Ö., Önal, B., & Aydın, Ö. (2009). Türkiye’de Patoloji Laboratuvarlarında Kalite Kontrol. Türk Patoloji Dergisi, 25, 29-37.
CR  - Wang, P., Hu, X., Li, Y., Liu, Q., & Zhu, X. (2016). Automatic Cell Nuclei Segmentation And Classification Of Breast Cancer Histopathology Images. Signal Processing, 122, 1-13.
CR  - Wang, P. W., & Lin, C. J. (2014). Support vector machines. In Data Classification: Algorithms and Applications (pp. 187–204). https://doi.org/10.1201/b17320
UR  - https://doi.org/10.31590/ejosat.638372
L1  - https://dergipark.org.tr/tr/download/article-file/840260
ER  -