dc.contributor.advisor | Töreyin, Behçet Uğur | |
dc.contributor.author | Kabakçi, Kaan Aykut | |
dc.date.accessioned | 2020-12-07T09:57:49Z | |
dc.date.available | 2020-12-07T09:57:49Z | |
dc.date.submitted | 2019 | |
dc.date.issued | 2019-10-03 | |
dc.identifier.uri | https://acikbilim.yok.gov.tr/handle/20.500.12812/127562 | |
dc.description.abstract | Bu çalışmada, meme dokusunda şüpheli durumla karşılaşılan hastaların meme dokusu görüntülerinde mutasyona uğramış CerbB2 reseptörlerini puanlamak için yeni görüntü analiz tekniği önerilmiştir. Invaziv meme kanserinin immünohistokimya(ImmunoHistoChemistry) ile boyanarak tümör hücrelerinin çeperinde oluşan boyanma miktarından ve boyanmanın hücreyi çevrelemesinden yola çıkılarak CerbB2 reseptörlerinin değerlendirilmesi sağlanır. İnvaziv meme kanserinde tümörler, IHC yöntemiyle 0+, 1+, 2+ ve 3+ olmak üzere 4 farklı aşamada değerlendirilir. Skor 3+ olarak tanımlanmış tümörler CerbB2 proteinine özgü bir tedaviye uygun olarak kabul edilir. Skor 0+ ve Skor 1+ için bu tedavi etkisiz kabul edilir. Skor 2, bazı tümörlerin tedavinin işe yarayacağı veya tedavi alması gerektiği anlamına gelen sınır çizgisidir. Kısaca açıklayacak olursak bu skorlama yöntemi kanser hastasının hangi tedaviyi alması gerektiğini belirler. Görsel anlamda da ifade edersek, Skor 3+ tipinde sınıflandırılan dokularda tamamıyla hücre çeperi boyanmış ve boyamanın yoğun olduğu hücre sayısı bütün tümör bölgesinde bulunan hücre saysının /%10'undan fazladır. Çevresel hücre çeperi boyanması tamamlanmamış ve orta derece yoğunlukta boyama olan hücrelerin sayısı /%10'dan fazla veya çevresel hücre çeperi boyanması tamamlanmış ve yoğun boyanmış hücre sayısı /%10'dan küçük ve /%1'den daha fazla bulunuyorsa bu özellikleri gösteren dokular Skor 2+ olarak değerlendirilmektedir. Skor 3+ pozitif olarak değerlendirilirken Skor 2+ belirsiz olarak değerlendirilmekte ve bu tür vakalar altın standart(gold standard) olarak tanımlanan Florosan In Situ Hibritleme(Fluorescence In Situ Hybridization-FISH) yöntemi ile genetik olarak incelenerek tanımlanmaktadır. FISH sonucu eğer pozitif çıkarsa Skor 3+ gibi bir tedavi, negatif çıkarsa Skor 1+ gibi bir tedavi uygulanır. Çevresel boyonması zayıf ve zar zor seçilebilen ve tamamen çevrelemeyen hücre sayısı /%10'un üzerinde olan ve ilk iki şartı sağlamayan tümörler Skor 1+ olarak değerlendirilmektedir. Bu üç şartı sağlamayan tümörler ise Skor 0+ olarak değerlendirilir ve Skor 1+ ile Skor 0+ özelliği gösteren tümörler negatif olarak değerlendirilmektedir.Bu analizler çerçevesinde, yeni bir tedavi yöntemi olarak önerilen 'hedefli tedavi', CerbB2 reseptörleri ile tümördeki reseptör durumunun patolojik olarak değerlendirilmesinde kullanılır ve kişiye özel bir kanser tedavisi önerilir. Buradaki en önemli handikap ise Skor 2+ olarak tanımlanan vakalarda yaşanan belirsizliklerdir. Bazı vakalarda patologlar tek başlarına karar vermekte zorlanıp ek görüş almak isterler. Aynı vaka için iki farklı patolog iki farklı skor verebilmektedir ve bu da gözlemciler arası tutarsızlığa(Interobserver Discrepancy) sebep olmaktadır. Bu tezde hedeflenen ise patologlara bir ek görüş olacak başarımlar veren bir sınıflandırma aracı geliştirip, bunun tanı koyma aşamasına katkı vermesini sağlamaktır. Bu amaçla, immünohistokimya (IHC) kullanılarak boyanmış farklı iki kanaldan elde edilen patolojik görüntüler, hücre ve tümör bölgesi düzeylerinde CerbB2 skor seviyelerini belirlemek için analiz edilmiştir. Çalışmada kullanılmak üzere iki farklı veri seti elde edilmiştir. İlk veri seti, Medipol Üniversitesi Patoloji Ana Bilim Dalı'ndan elde edilen doku slaytları kullanılarak mikroskop ve kamera aracılığı ile 40X büyütmede dijitalleştirilmiştir. Bu veri kümesinde 13 farklı doku örneğinden 198 adet görüntü bulunmaktadır. Bu 191 görüntünün 41 tanesi 'Skor 0+', 42 tanesi 'Skor 1+', 52 tanesi 'Skor 2+' ve 56 tanesi 'Skor 3' olarak tanı konulmuş vakalardan elde edilmiştir. Hazırlanan bu veri kümesinin 105 tanesi eğitim kümesi, 86 tanesi ise test kümesi olarak ayarlanmıştır. Bu veri kümesinde invaziv tümör bölgesinde bulunan toplamda 62431 adet hücre saptanmış olup bu hücrelerin 24656 adedi eğitim için sınıflandırıcılara verilmiş olup geriye kalan kısmı test için kullanılmıştır. İkinci veri seti, Warwick Üniversitesi tarafından halka açık olarak erişilebilen bir veri kümesinden elde edilmiştir. Bu veri kümesinde 79 adet IHC ile boyanmış tüm slayt görüntüsü(Whole Slide Image-WSI) bulunmaktadır. Bunların 51 tanesi eğitim kümesi olarak, 28 tanesi test kümesi olarak ayarlanmıştır. Bu görüntüler çok büyük çözünürlükte oldukları için işlenmesi güçtür. Bu aşamada her bir görüntü 40X büyütmede, belirli boyutlarda(1376x1040) parçalara ayrılmış, içlerinden invaziv tümör bölgeleri tek tek seçilmiştir. Elde edilen bu veri kümeleri öznitelik çıkarımı için uygun hale getirilir. Daha sonra, görüntüler hematoksilen (H) ve diaminobenzidin (DAB) renk kanallarına ayrılır ve hücre merkezleri ve hücre membranları belirlenir. Hücreler hematoksilen ile boyandıkları için mavi, tümör bölgeleri ise diaminobenzidin ile boyandıkları için kahverengi olarak görünür. Burada iki farklı boyayı birbirinden ayırıp tek bir kanal olarak elde edebilmek için Renk Dekonvolüsyonu(Color Deconvolution) yapılmaktadır. Renk Dekonvolüsyonu yönteminde her bir renk uzayı için belirlenmiş olan filtreler kullanılır. Örneğin bir IHC görüntüsü hematoksilen ve diaminobenzidin için oluşturulmuş filtreden geçirildiğinde sonuç olarak tek başına hematoksilen görüntüsü, tek başına diaminobenzidin görüntüsü ve arkaplan görüntüsü elde edilir. Hücre merkezlerinin belirlenmesinde hematoksilen görüntüsü bir takım eşikleme yöntemleri ile birlikte su yolu çizgisi(Watershed) yöntemi kullanılarak işlenir. Su yolu çizgisi yönteminde birbirine değen, üst üst gelmiş hücreler birbirlerinden ayrılmış olurlar ve hücre merkezleri doğru bir biçimde tespit edilir. Yine bir takım eşikleme yöntemleri(Otsu Thresholding) kullanılarak membran(tümör) bölgeleri diaminobenzidin görüntüsünden tespit edilir. Daha sonra, membran yoğunluğu histogramları(Membrane Instensity Histogram-MIH) olarak isimlendirilen görüntü analiz yöntemi ile bir takım öznitelik vektörleri çıkarılır, böylece her hücre için bir vektör elde edilir. Membran yoğunluğu histogramını elde ederken, daha önce bulunmuş olan hücre merkezlerinden yola çıkarak, hücre çeperinden 360 adet farklı piksel değeri elde edilir. Hücre merkezinden hücre çeperlerine doğru çekilen okların membran boyasına ilk ulaştığı yer ve sonrasındaki 10 noktanın piksel değerlerinin ortalaması alınır. Bu 360 noktanın 10 piksel kalınlıktaki çeperinden elde edilmiş ortalama piksel değerlerinin histogramı elde edilir ve bu histogram 16'ya kuantalanır. Burada belirtilen 10 piksel kalınlığı 2713 hücre örneğinden deneysel olarak test edilip elde edilen sonuçlara göre belirlenen membran kalınlığıdır. Bu, 40X büyütme kullanılarak elde edilen IHC ile boyanmış meme tümörü hücrelerinin ortalama membran kalınlığı 10 piksel olarak tanımlanır demektir. Sonuç olarak her bir hücre için 1x16'lık bir öznitelik vektörü elde edilmiş olur. Buradaki en büyük problem invaziv ve in situ tümörlerinin tespit edilmesidir. Kanserli doku üzerinde çoğu zaman invaziv bölgeleri ile in situ bölgeler birbirleri ile aynı özelliği göstermektedir. Ancak skorlama işlemi uygulanırken in situ bölgeler dikkate alınmamaktadır. Bu problemi aşmak için patologların görüşüne ihtiyaç duyulmaktadır. Patologların yardımı ile eğitim kümesi oluşturulmuş ve bu küme tek tek işaretlenerek eğitim kümesi hazırlanmıştır. Elde edilen 1x16 boyutlu öznitelik vektörleri Z-Skorlama yöntemi kullanılarak normalize edilmiş ve sınıflandırıcılar için uygun hale getirilmiştir. Son olarak, elde edilen özellikler Uzun-Kısa Süreli Bellek (LSTM), KNN, Karar Ağaçları gibi bazı sınıflandırıcılar ile eğitilerek, sınıflandırma modelleri oluşturulmuştur. Veri kümeleri hem hücre temelli hem de görüntü temelli olarak sınıflandırılmıştır. Hücre tabanlı sınıflandırmada her bir hücrenin skoru belirlenip gerçek skoru ile karşılaştırılır ve ona göre başarım çıkarılır. Görüntü tabanlı sınıflandırmada ise o görüntüde bulunan doku bölgesindeki bütün hücreler değerlendirilir ve yukarıda bahsedilen skorlama kurallarına göre(örn: Skor 3+ hücre sayısı /%10'dan yüksek ise Skor 3.) sınıflandırma yapılır. LSTM sınıflandırıcısı kullanılırken maksimum devir sayısı(Maximum Epochs) 50 olarak belirlenmiş optimizasyon olarak da ADAM kullanılmıştır. Bunlara ek olarak bütün sınıflandırıcılarda 5 kat çapraz doğrulama(5 Fold Cross Validation) kullanılarak validasyon başarımları elde edilmiştir. 4 sınıf hücre temelli sınıflandırmadan oluşan CerbB2 puanlama sistemi,en yüksek başarımı Ensemble Boosted Trees yönteminde almış olup validasyon başarımlarında /% 87,60 ve görüntü temelli test başarımlarında /%91,43 doğrulukla benzer yöntemleri geride bırakmıştır. Hücreye dayalı sınıflandırma doğruluğu ise /%77,56 ile karar ağacı sınıflandırıcıları kullanılarak elde edilmiştir ve gelecekteki çalışmalarda bu doğruluğun artırılabileceği öngörülmektedir. Bir tümör bölgesinde bütün hücre tiplerinden de bulunabilecek olması hücre tabanlı başarıma göre görüntü tabanlı başarımın düşük çıkmasına sebep olmaktadır. Çalışmadaki her adım ayrıntılı olarak açıklanmakta ve deneysel sonuçlar diğer son teknoloji yöntemlerle karşılaştırılarak sunulmaktadır. | |
dc.description.abstract | In this study, novel image analysis techniques for scoring CerbB2 receptors in breast cancer tissue specimen images of patients with suspected breast cancer are proposed. Visual expression of invasive breast cancer with immunohistochemistry(IHC) allows evaluation of CerbB2 receptors. In invasive breast cancer, tumors are evaluated in 4 different stages as Score 0, Score 1, Score 2 and Score 3 by applying IHC method. Score 3 tumors are considered suitable for treatment specific to the CerbB2 protein, which is considered ineffective for score 0 and score 1. Score 2 is the borderline which means some tumors can benefit from treatment. Throughout this analysis, new modalities in the treatment which is called 'targeted therapy' is used for pathological assessment of the receptor status in the tumor with CerbB2 receptors, therefore a therapy is advised for breast cancer. For this purpose, pathological images obtained by using Immunohistochemistry (IHC) were analyzed to determine CerbB2 score levels at cellular level. Two different datasets were obtained for use in the study. The first dataset was digitized by using microscope and camera from the obtained tissue slides. The second dataset is obtained from a dataset that can be accessed publicly. Firstly, images are separated into hematoxylin (H-Blue) and diaminobenzidine (DAB-Brown) color channels and cell centers and cell membranes are determined. Subsequently, membrane intensity histograms are extracted by the proposed image analysis method, so features for each cell are obtained. Finally, obtained attributes are trained with some classifiers like Long-Short Term Memory(LSTM), KNN, Decision Trees, obtained by experimental methods, therefore classification models was created. The datasets were classified as both cell-based and image-based. The CerbB2 scoring system consisting of 4 classes image-based classification has left behind similar methods with 91,43/% accuracy. As for the accuracy of cell-based accuracy, 77,56/% was achieved and it was predicted that this accuracy could be increased in future studies. Each step in the study is explained in detail and experimental results are presented in comparison to other state-of-the-art methods. | en_US |
dc.language | English | |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | Attribution 4.0 United States | tr_TR |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | tr_TR |
dc.subject | Computer Engineering and Computer Science and Control | en_US |
dc.subject | Bilim ve Teknoloji | tr_TR |
dc.subject | Science and Technology | en_US |
dc.subject | Mühendislik Bilimleri | tr_TR |
dc.subject | Engineering Sciences | en_US |
dc.title | Automated scoring of CERBB2 receptors using histogram based analysis of immunohistochemistry breast cancer tissue images | |
dc.title.alternative | İmmünohistokimya meme kanseri görüntülerininhistogram tabanlı analiz kullanılarakCERBB2 reseptörlerinin otomatik olarak skorlanması | |
dc.type | masterThesis | |
dc.date.updated | 2019-10-03 | |
dc.contributor.department | Bilişim Uygulamaları Anabilim Dalı | |
dc.identifier.yokid | 10261619 | |
dc.publisher.institute | Bilişim Enstitüsü | |
dc.publisher.university | İSTANBUL TEKNİK ÜNİVERSİTESİ | |
dc.identifier.thesisid | 564416 | |
dc.description.pages | 69 | |
dc.publisher.discipline | Diğer | |