Derin Konvolüsyonel Nesne Algılayıcı ile Plevral Efüzyon Sitopatolojisinde Otomatik Çekirdek Algılama

Öz

Plevral efüzyon, akciğer zarları arasında sıvı birikimi olup sitopatolojik değerlendirmede çok sık karşılaşılan bir durumdur. Çekirdek algılama, plevral efüzyon tanısı için gerçekleştirilen sitopatolojik değerlendirmede kritik bir adımdır. Çünkü çekirdek hücrelerin malignite seviyesi ile ilgili önemli bilgi içermektedir. Çekirdek algılama ayrıca hücre sayımı, segmentasyonu ve takibi gibi otomatik bilgisayar-destekli tanı (Computer-Aided Diagnosis-CAD) sistem adımlarının da temelini oluşturmaktadır. Son yıllarda derin öğrenme, özellikle Konvolüsyonel Sinir Ağları (Convolutional Neural Networks-CNNs), nesne algılama problemlerinde yüksek başarı elde etmiştir. Bu çalışmada modern konvolüsyonel nesne algılayıcı, YOLOv3, plevral efüzyon sitopatolojik görüntülerde çekirdek algılama amacıyla önerilmiştir. Deneyler 11157 çekirdek içeren 80 görüntü üzerinde gerçekleştirilmiştir. Önerilen yöntem %94.10 kesinlik, %98.98 duyarlılık ve %96.48 F-ölçütü elde etmiştir. Yöntemin literatürdeki yöntemlere katkısı 10 kat hızlanma sağlamasıdır. Bu hızlanma dijital patolojideki gerçek zamanlı CAD uygulamaları için ciddi bir avantaj sağlamaktadır. Dolayısıyla önerilen yöntem dijital patolojide patologlar tarafından tanı aracı olarak kullanılabilecektir.

Anahtar Kelimeler

• Bilgisayar-destekli tanı,Konvolüsyonel sinir ağları,Sitopatoloji,Çekirdek algılama,Plevral efüzyon,YOLOv3

Kaynakça

1. [1] Davidson B, Firat P, Michael CW (2011) Serous effusions: etiology. Prognosis and Therapy. SpringerScience & Business Media, Diagnosis
2. [2] Shidham VB, Atkinson BF (2007) Cytopathologic diagnosis of serous fluids e-book. Elsevier HealthSciences
3. [3] Sheaff MT, Singh N (2012) Cytopathology: an introduction. Springer, Berlin
4. [4] (2019) Pleural Effusion & Heart Surgery: What Should Patients Know? https://www.heart-valve-surgery.com/pleural-effusion.php, Accessed 19-Oct-2019
5. [5] DeBiasi, E. M., Pisani, M. A., Murphy, T. E., Araujo, K., Kookoolis, A., Argento, A. C., & Puchalski, J. (2015). Mortality among patients with pleural effusion undergoing thoracentesis. European Respiratory Journal, 46(2), 495-502.
6. [6] Marel, M., Zrtov, M., tasny, B., & Light, R. W. (1993). The incidence of pleural effusion in a well-defined region: epidemiologic study in central Bohemia. Chest, 104(5), 1486-1489.
7. [7] Cakir E, Demirag F, Aydin M, Unsal E (2009) Cytopathologic differential diagnosis of malignantmesothelioma, adenocarcinoma and reactive mesothelial cells: a logistic regression analysis. DiagnCytopathol 37(1):4–10
8. [8] Schneider TE, Bell AA, Meyer-Ebrecht D, B ocking A, Aach T (2007) Computer-aided cytological cancer diagnosis: cell type classification as a step towards fully automatic cancer diagnostics oncytopathological specimens of serous effusions. In: Medical Imaging 2007: Computer-Aided Diagnosis,International Society for Optics and Photonics, vol 6514, p 65140G

9. [9] Ma, X., Wang, H., & Geng, J. (2016). Spectral–spatial classification of hyperspectral image based on deep auto-encoder. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(9), 4073-4085.
10. [10] Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M et al (2015) Imagenet large scale visual recognition challenge. Int J Comput Vis 115(3):211–252
11. [11] Everingham M, Van Gool L, Williams C, Winn J, Zisserman A (2012) The pascal visual object classes challenge 2012 results. See http://www.pascalnetwork.org/challenges/VOC/voc2012/workshop/index.html, vol 5
12. [12] Ren S, He K, Girshick R, Sun J (2015) Faster r-cnn: towards real-time object detection with regions proposal networks. In: Advances in neural information processing systems, pp 91–99
13. [13] Dai KJ, R-fcn YL (2016) Object detection via region-based fully convolutional networks. NIPS
14. [14] Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu CY, Berg AC (2016) Ssd: single shot multibox detector. In: European conference on computer vision. Springer, pp 21–37
15. [15] Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767
16. [16] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779- 788)
17. [17] Redmon, J., & Farhadi, A. (2017). YOLO9000: better, faster, stronger. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7263-7271).
18. [18] Sheppard C, Wilson T (1978) Depth of field in the scanning microscope. Optics Lett 3(3):115–117
19. [19] Baykal E, Dogan H, Ekinci M, Ercin ME, Ersoz S¸ (2017) Automated nuclei detection in serous effusion cytology based on machine learning. In: Signal processing and communications applications conference (SIU), 2017 25th. IEEE, pp 1–4
20. [20] Baykal E, Do˘gan H, Ercin ME, Ers¨oz S¸ , Ekinci M (2018) Automated nuclei detection in serous effusion cytology with stacked sparse autoencoders. In: Signal processing and communications applications conference (SIU), 2018 26th. IEEE, pp 1–4
21. [21] Baykal, E., Dogan, H., Ercin, M. E., Ersoz, S., & Ekinci, M. (2019). Modern convolutional object detectors for nuclei detection on pleural effusion cytology images. Multimedia Tools and Applications, 1-20.