Serviks Kanserinin Erken Teşhisi için Çok Katmanlı Sitoloji Küplerinde Çekirdek ve Sitoplazma Bölütlenmesi

Yıl 2018, Cilt: 22 Sayı: 2, 727 - 735, 15.08.2018

Gökhan Bilgin Ceren Gülra Melek

Öz

Dünya genelinde kadınlarda yaygın olarak görülen ve kanser ölümlerinin önde gelen nedenlerinden biri olan serviks kanseri, Pap smear testi sonucunda elde edilen görüntülerdeki hücre sayısı, şekli ve özelliklerinden yararlanılarak teşhis edilir. Pap smear testinin düzenli olarak yapılması ile serviks kanserinin erken teşhisi ya da servikste henüz kansere dönüşmemiş değişikliklerin saptanması mümkündür. Bu nedenle, servikal hücrelerin otomatik olarak bölütlenmesi ile test sonuçlarının hızlı ve doğru bir şekilde değerlendirilmesi oldukça önemlidir. Bu amaçla, Uluslararası Biyomedikal Görüntüleme Sempozyumu (ISBI’2015) kapsamında gerçekleştirilen, “2. Örtüşen Servikal Sitoloji Görüntü Bölütlenmesi Yarışması” tarafından sağlanan gerçek servikal hücre görüntüleri kullanılmıştır. Kullanılan görüntülerden elde edilen farklı veri kümeleri üzerinde kümeleme ve sınıflandırma yöntemleri ile bölütleme işlemi gerçekleştirilerek hücre çekirdeği, hücre sitoplazması ve görüntü arka planı net bir şekilde tespit edilmeye çalışılmıştır. Çalışmanın başarısı farklı servikal sitoloji görüntüleri üzerinde test edilmiştir. Sonuçlar, oluşturulan veri kümelerinin yapılarına ve kullanılan yöntemlere göre incelenmiştir. Bu çalışmanın serviks kanseri ile alakalı ilerideki çalışmalarda bir temel oluşturması temenni edilmektedir.

Anahtar Kelimeler

Serviks kanseri, Sitoloji; Görüntü bölütleme; Bilgisayar destekli teşhis, Biyomedikal görüntüler

Kaynakça

• [1] Longo, D. L. et al. 2011. Harrison's Principles Of Internal Medicine. 18th edition. The McGraw-Hill, Medical Publishing Division, ABD. 4012s.
• [2] T.C. Sağlık Bakanlığı. 1999. Türkiye'de Bölgelere ve Cinsiyete Göre Kanser Olguları. http:// www.saglik.gov.tr/extras/apk2001/092.htm. (Erişim Tarihi: 15.05.2016).
• [3] T.C. Sağlık Bakanlığı. 2014. Türkiye Kanser İstatistikleri. http://kanser.gov.tr/Dosya/ca_is-tatistik/2009kanseraporu.pdf (Erişim Tarihi: 15.05.2016).
• [4] World Health Organization. 2016. Human Papillomavirus (HPV) and Cervical Cancer. http://www.who.int/mediacentre/factsheets/fs380/en/. (Erişim Tarihi: 15.05.2015).
• [5] Phoulady, H. A., Goldgof, D. B., Hall, L. O., Mouton, P. R. 2016. A New Approach To Detect and Segment Overlapping Cells in Multi-layer Cervical Cell Volume Images. IEEE 13th International Symposium on Biomedical Imaging, 13-16 Nisan, Prague, Czech Republic, 201-204.
• [6] Nosrati, M. S., Hamarneh, G. 2015. Segmentation of Overlapping Cervical Cells: A Variational Method with Star-Shape Prior. IEEE 12th International Symposium on Biomedical Imaging. 16-19 Nisan, New York, USA, 186-189.
• [7] Islam, Z., Haque, M. A. 2015. Multi-step Level Set Method for Segmentation of Overlapping Cervical Cells. IEEE International Conference on Telecommunications and Photonics. 26-28 Aralık, Bangladesh, 1-5.
• [8] Lakshmi, G. K., Krishnaveni, K. 2014. Multiple Feature Extraction From Cervical Cytology Images by Gaussian Mixture Model. IEEE World Congress on Computing and Communication Technologies, 27 Şubat-1 Mart, Tamilnadu, India, 309-311.
• [9] Chuanyun, X., Yang, Z., Sen, W. 2013. Cell Segmentation in Cervical Smear Images Using Polar Coordinates GVF Snake with Radiating Edge Map. Journal of Multimedia, 8(2013), 213-219.
• [10] Gençtay, A., Aksoy, S., Önder, S. 2012. Unsupervised Segmentation and Classification of Cervical Cell Images. Pattern Recognition, 45(2012), 4151-4168.
• [11] Plissiti, M. E., Nikou, C., Charchanti, A. 2011. Automated Detection of Cell Nuclei in Pap Smear Images Using Morphological Reconstruction and Clustering. IEEE Transactions on Information Technology in Biomedicine, 15(2011), 233-241.
• [12] Kale, A., Aksoy, S. 2010. Segmentation of Cervical Cell Images. 20th IEEE International Conference on Pattern Recognition, 23-26 Ağustos, İstanbul, Türkiye, 2399-2402.
• [13] Song, Y., Cheng, J. Z., Ni, D.,Chen, S., Lei, B., Wang, T. 2016. Segmenting Overlapping Cervical Cell in Pap Smear Images. IEEE 13th International Symposium on Biomedical Imaging, 13-16 Nisan, Prague, Czech Republic, 1159-1162.
• [14] Lee, H., Kim, J. 2016. Segmentation of Overlapping Cervical Cells in Microscopic Images with Superpixel Partitioning and Cell-wise Contour Refinement. IEEE Conference on Computer Vision and Pattern Recognition Workshops, 27-30 Haziran, Seattle, USA, 63-69.
• [15] Zhang, L., Kong, H., Chin, C. T., Liu, S., Chen, Z., Wang, T., & Chen, S. 2014. Segmentation of Cytoplasm and Nuclei of Abnormal Cells in Cervical Cytology Using Global and Local Graph Cuts. Computerized Medical Imaging and Graphics, 38(5), 369-3.
• [16] Yang-Mao, S. F., Chan, Y. K., Chu, Y. P. 2008. Edge Enhancement Nucleus and Cytoplast Contour Detector of Cervical Smear Images. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 38(2), 353-366.
• [17] Lu, Z., Carneiro, G., Bradley, A. P. 2015. An Improved Joint Optimization of Multiple Level Set Functions for the Segmentation of Overlapping Cervical Cells. IEEE Transactions on Image Processing 24(2015), 1261-1272.
• [18] Lu, Z., Carneiro, G., Bradley, A. P., Ushizima, D., Nosrati, M. S., Bianchi, A. G. C., Carneiro, C. M., Hamarneh, G. 2016. Evaluation of Three Algorithms for the Segmentation of Overlapping Cervical Cells. IEEE Journal of Biomedical and Health Informatics, Online Publication.
• [19] Rao, A. R., Srivinas, V.V. 2006. Regionalization of Watersheds by Fuzzy Cluster Analysis. Journal of Hydrology, 318(1), 57-79.
• [20] Franco-Lopez, H., Ek, A. R., Bauer, M. E. 2001. Estimation and Mapping of Forest Stand Density, volume, and Cover Type Using the K-Nearest Neighbors Method. Remote Sensing of Environment 77(3), 251–274.
• [21] Vapnik, V. 1998. Statistical Learning Theory, 1st ed., Wiley-Interscience, New York.
• [22] Camps-Valls, G., Bruzzone, L. 2005. Kernel-based Methods for Hyperspectral Image Classification. IEEE Trans. Geoscicience and Remote Sensing 43(6), 1351–1362.
• [23] Schölkopf, B., Smola, A. J. 2002. Learning with kernels in Support Vector Machines, Regularization, Optimization, and Beyond. Adaptive Computation and Machine Learning, The MIT Press, Cambridge, Massachusetts.
• [24] Breiman L. 2001. Random Forests. Machine Learning. 45(1), 5–32.
• [25] Pal M. 2005. Random Forest Classifier for Remote Sensing Classification. International Journal Of Remote Sensing, 26(1), 217-222.