Derin öğrenme teknikleri kullanılarak böbrekteki fonksiyonel doku birimlerinin segmentasyonu

Abstract

Son yıllarda böbrek hastalıkları özellikle sanayileşmiş ülkelerde giderek artmış ve insan sağlığını olumsuz şekilde etkileyen önemli hastalıklardan biri haline gelmiştir. Bu durum ise böbrek hastalıklarının erken teşhisi ve erken tedavi sürecini önemli kılmaktadır. Böbreğin işlevlerinin sağlıklı olduğunu anlamada, kan ve idrar tahlilinin yanı sıra histolojik inceleme de kullanılmaktadır. Yaygınlaşan yapay zeka teknolojileri, tıbbi görüntü analizlerinde de sıklıkla uygulanarak başarılı sonuçlar elde edilmektedir. Yapay zeka destekli teşhisler, hekimlere ve patologlara yorgunluk, dikkatsizlik, tecrübesizlik kaynaklı olası hatalardan kaçınma imkanı sağlamaktadır. Hastalık teşhislerinde başarım oranlarını arttırarak, toplum sağlığına ve erken tedaviye katkı sunmaktadır.Böbrek hastalıklarının teşhisinde segmentasyon kritik bir süreçtir. Bu çalışma ile, temelinde yapay sinir ağları olan derin öğrenme yöntemleri kullanılarak böbrek görüntülerinde filtreleme işlevinin yerine getirilmesini sağlayan glomerüllerin segmentasyonu gerçekleştirilmiştir. Ulusal Sağlık Enstitüleri'nin desteğiyle İnsan BiyoMoleküler Atlas Programı tarafından oluşturulan HuBMAP böbrek veri seti üzerinde çalışmalar yapılmıştır. Çalışmada biyomedikal görüntülerde segmentasyon başarı oranı yüksek olduğu için U-Net ile SegNet derin öğrenme mimarileri kullanılmıştır ve farklı parametreler ile performansları incelenerek, karşılaştırılmalı sonuçlar verilmiştir. Önerilen modellerin performans karşılaştırılmasında, F1 skor değerleri, U-Net için en yüksek %89,70, SegNet için %92,74 olarak alınmıştır. Ayrıca RGB (ing. red green blue) renk uzayından farklı olarak, HSV (ing. hue saturation value) ve YUV (ing. luminance chrominance1 chrominance2) renk uzaylarında kullanılan görüntülerin segmentasyon başarısına olumlu etkisinin olmadığı sonucuna varılmıştır. Alınan sonuçlara göre kullanılan yöntemler, glomerül segmentasyonunda güvenilir sonuçlar verdiği için tercih edilebilir.

In recent years, kidney diseases have increased gradually, especially in industrialized countries, and have become one of the important diseases that negatively affect human health. This makes the early diagnosis and early treatment of kidney diseases important. In addition to blood and urine analysis, histological examination is also used to understand that the functions of the kidney are healthy. Widespread artificial intelligence technologies are frequently applied in medical image analysis and successful results are obtained. Artificial intelligence-assisted diagnostics provide physicians and pathologists with the opportunity to avoid possible mistakes due to fatigue, carelessness and inexperience. It contributes to public health and early treatment by increasing the success rates in disease diagnosis.Segmentation is a critical process in the diagnosis of kidney diseases. In this study, segmentation of glomeruli, which provides filtering function in kidney images, was performed by using deep learning methods, which are based on artificial neural networks. Studies were carried out on the HuBMAP kidney dataset created by the Human BioMolecular Atlas Program with the support of the National Institutes of Health. In the study, since the segmentation success rate is high in biomedical images, U-Net and SegNet deep learning architectures were used and their performances were examined with different parameters and comparative results were given. In the performance comparison of the proposed models, the highest F1 score values were taken as 89.70% for U-Net and 92.74% for SegNet. In addition, it was concluded that the images used in HSV and YUV color spaces, unlike RGB color space, do not have a positive effect on segmentation success. According to the results obtained, the methods used can be preferred because they give reliable results in glomerular segmentation.