Son yıllarda dijital patoloji görüntülerinin sınıflandırılması konusunda yapılan görüntü işleme ve makine öğrenimi temelli çalışmalardaoldukça başarılar sonuçlar elde edildiği görülmektedir. Elde edilen yüksek doğruluk değerleri, dijital patoloji alanında makine öğrenimitemelli sistemlerin patoloji kliniklerinde patologlara yardımcı sistemler olarak kullanılabileceğini göstermektedir. Önümüzdeki 30 yıliçerisinde özellikle patoloji alanında yapay zeka ve makine öğrenimi temelli çözümlerin çok daha yüksek oranda kullanılacağıöngörülmektedir. Bu çalışmada lenf kanserinin üç farklı türüne ait dijital patoloji görüntülerin farklı makine öğrenimi teknikleri ilesınıflandırılması işlemi gerçekleştirilmiştir. Çalışma kapsamında veri seti olarak Chronic Lymphocytic Leukaemia (CLL), FollicularLymphoma (FL) ve Mantle Cell Lymphoma (MCL) kanserlerine ilişkin dijital patolojik görüntüler kullanılarak özellik çıkarımı vemakine öğrenim algoritmalarının eğitilmesi ve karşılaştırılması yapılmıştır. Çalışmada her bir lenf kanseri türüne ait 45 adet olacakşekilde toplamda 135 adet dijital patoloji görüntüsü ön işlemlerden gerçirilerek renk yoğunluğu, piksel yoğunluğu, entropi hesabı vemorfolojik alan hesabı özellikleri elde edilmiştir. Ardından her bir görüntü için elde edilen özellik vektörleri Random Forest, K-NN,Navie Bayes, Destek Vektör Makinesi (SVM) ve K-Star algoritmalarına girdi olarak verilerek sınıflandırma işlemi gerçekleştirilmiştir.Son aşamada elde edilen değerler Özgüllük (Specificity), Hassasiyet (Precision), Geri Çağırma (Recall) ve Doğruluk (Accuracy)performans metriklerine göre hesaplanıp, algoritmaların kıyaslaması yapılmıştır. Bu yöntemler ile algoritmaların performans değerlerikarşılaştırıldığında en iyi sonuç %89,72 doğruluk oranı ortalamasıyla Random Forest tarafından elde edilmiştir.
In recent years, it is seen that the results obtained from the image processing and machine learning based studies on the classification of digital pathology images have been achieved quite successfully. The high accuracy values show that machine learning based systems in the field of digital pathology can be used as second reader systems for pathologists in pathology clinics. It is expected that in the next 30 years, solutions based on artificial intelligence and machine learning will be used at a much higher rate, especially in the field of pathology. In this study, digital pathology images belonging to three different types of lymph cancer were classified with different machine learning techniques. In the scope of the study, feature extraction and machine learning algorithms were trained and compared by using digital pathological images of Chronic Lymphocytic Leukaemia (CLL), Follicular Lymphoma (FL) and Mantle Cell Lymphoma (MCL) cancers as data set. In this study, 45 digital pathology images of each type of lymph carcinoma totaly 135 images were passed from the preprocessing stage and then color density, pixel density and entropy calculation features were exctracted. Then, the feature vectors obtained for each image were used as input to Random Forest, K-NN, Navie Bayes, Support Vector Machine (SVM) and K-Star algorithms and the classification process was performed. In the last stage the Specificity, Precision, Recall and Accuracy performance metrics were calculated and the algorithms were compared. The best result were obtained by Random Forest Classifier for classification of three types of lymphoma with an average accuracy of 89.72%.
