Radyolojı̇k görüntülerde derı̇n öğrenme kullanılarak kanser alt tı̇plerı̇nı̇n ve genotı̇plerı̇nı̇n sınıflandırılmasının gelı̇ştı̇rı̇lmesı̇

Abstract

Kanser alt tipleri ve genotiplerinin erken tespiti ve teşhisi, erken aşamalarda daha etkili tedavi edilebilmeleri açısından oldukça önemlidir. Fakat doğru teşhis için yüksek düzeyde klinik bilgi ve uzmanlık gerekmektedir. Bu çalışmada, son zamanlarda geliştirilen çeşitli yapay zeka tabanlı karar destek sistemlerinin yardımıyla yorucu iş yükünü ve yanlış teşhisi en aza indirmek amacıyla, otomatik ultrasonografi (USG) ve magnetik rezonans (MR) görüntülerinden bölümlendirilmiş görüntüler yardımıyla tiroid nodül tipleri ve EGFR mutasyonları gibi kanser alt tipleri ve genotiplerini sınıflandırmayı hedefleyen bir uçtan uca derin öğrenme tabanlı hibrit bir yaklaşım sunulmaktadır. Tiroid nodül tipleri genellikle atipi/foliküler belirsizliğin lezyonu (AUS/FLUS), iyi huylu foliküler ve papiller foliküler olarak sınıflandırılır. AUS/FLUS için malignite riski %5 ile %15 arasında değişmekle birlikte, bazı çalışmalarda bu riskin %25'e kadar çıkabileceği gösterilmiştir. Histoloji tamamlanmadan nodülleri sınıflandırmak zor ve risklidir ve tanı işlemleri pahalı olabilir. Glioblastoma (GBM), hızla ilerleyen ve ölümcül bir beyin tümörüdür. GBM hastalarının teşhisi için hala "altın standart" olarak kabul edilen histolojik görüntüler kullanılır. Tümörlerin hem mikroskopik hem de makroskopik düzeyde çeşitli biyolojik özelliklere sahip olduğu bilinmektedir. Bu özellikler arasında tümör hücre yoğunluğu, normal dokunun etkilenmesi ve gen ifadesi gibi faktörler yer alır. Bu nedenle, doku örnekleme altın standart olmaya devam ederken, manyetik rezonans görüntüleme gibi invaziv olmayan görüntüleme teknikleri, klinik olarak önemli EGFR mutasyonları hakkında ek bilgi sağlayabilir. Epidermal büyüme faktörü reseptörü (EGFR) genindeki mutasyonlar, GBM'lerde tekrarlama süresinin kısalması ve daha kötü sağkalım oranları ile ilişkilendirilmiştir. Bu çalışma, otomatik tiroid nodülü ve beyin tümörü bölütlendirme ve sınıflandırma sağlayan bir hibrit derin öğrenme yöntemi önermektedir. Yöntem, çok çözünürlüklü Non-subsampled Shearlet Transform (NSST) özniteliklerini Convolutional Neural Networks (CNN) tabanlı özniteliklerle birleştiren UNet SI adında bir bölütlendirme yöntemi sunmaktadır. Ayrıca, düşük seviye özellikleri girdi görüntüsünden korumak için uzun atlamalı bağlantılar ve özdeş blokları kullanılmaktadır. Bu sayede, basitleştirilmiş bir mimari korunarak hesaplama zamanı, bellek kullanımı ve maliyetler azaltılmaktadır. Tiroid nodülü bölümlendirme için UNet, ResUNet ve ResUNet++ mimarileri kullanılmıştır. Özellik çıkarma ve aşırı uyumlanmayı önlemek için dropout işlemleri ile upsampling içerir. Nodül sınıflandırması için DenseNet121, ResNet-50, VGG-16, ve Inception ResNet-v2 kullanılmıştır. Model performansı değerlendirmesi için IOU, Dice katsayısı, doğruluk, hassasiyet ve özgüllük kullanılmıştır. Çalışmada, yaşları 10 ile 90 arasında değişen toplam 880 hasta, ultrason görüntüleri ve demografik bilgileri alınarak dahil edilmiştir. Eğitim sonuçları, ResUNet++'ın yüksek başarılı bölütlendirme sonuçları elde ettiğini göstermiştir; dice katsayısı %92,40 ve ortalama İntersection over Union (IoU) %89,7 olarak gerçekleşmiştir. ResNet-50 ve InceptionResNet, UNet ile bölütlendirilmiş görüntüler üzerinde eğitildiğinde nodül sınıflandırması için yüksek değerlendirme skorları elde etmiştir; sırasıyla %96,6 ve %95,0 doğruluk. Ayrıca, ResNet-50 ve Inception ResNet-v2, UNet ile bölümlendirilmiş görüntülerden AUS/FLUS'yu %97,0 ve %96,0 AUC ile sınıflandırmıştır. Önerilen hibrit ResNet tabanlı UNet Convolutional Neural Network (CNN), AUS/FLUS'un bölütlendirme performansını artırmış ve bazı doğru sınıflandırma göstergeleri açısından literatürde mevcut olan yaklaşımlardan daha iyi performans göstermiştir. Beyin tümör segmentasyonu için oluşturulan shearlet ve özdeş blokların entgere edildiği mimari çerçeve (UNet SI), 42 glioblastoma hastası arasında tüm tümör bölgesi için ortalama Jaccard, dice ve doğruluk skorları sırasıyla 0.853, 0.872 ve 0.988 ile umut verici sonuçlar göstermektedir. Bu yaklaşımın BRATS2019 benchmark veriseti ile geçerliliği sağlanmuş ve Jaccard, dice ve doğruluk skorları sırasıyla 0.854, 0.861 ve 0.987 elde edilmiştir. EGFR sınıflandırması için ResNet-50, Inception ResNet-v2 ve DenseNet-121, beyin MRI görüntülerinin bölümlenmiş halini kullanır. Sonuçlar, Memorial Hastanesi veri setinden toplanan 56 GBM hastası üzerinde gerçekleştirilmiştir. UNet SI ile bölümlenmiş görüntülerin giriş olarak kullanılmasıyla, EGFR sınıflandırması için umut verici sonuçlar elde edilmiştir; DenseNet-121 ile sırasıyla %0,962, %0,963 ve %0,913 doğruluk, hassasiyet ve özgüllük elde edilerek, mevcut en iyi yöntemleri aşmıştır. Sonuç olarak, bu çalışma, tiroid nodül tipleri ve EGFR mutasyonları gibi kanser alt tipleri ve genotiplerinin sınıflandırılmasında otomatik bir çözüm sunmaktadır. Önerilen hibrit derin öğrenme yaklaşımı, yüksek doğruluk ve hassasiyet oranları elde ederek geleneksel yöntemlere göre daha etkili bir tanı süreci sağlayacaktır.