Classification of Lymph Cancer Pathology Images Using Machine Learning Methods

Yıl 2019, Özel Sayı 2019, 404 - 410, 31.10.2019

Ayşe Berika Varol , İsmail İşeri

https://doi.org/10.31590/ejosat.638372

Cited By: 8

Öz

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%.

Anahtar Kelimeler

Image Processing, Machine Learning, Pathology

Lenf Kanserine İlişkin Patoloji Görüntülerinin Makine Öğrenimi Yöntemleri ile Sınıflandırılması

Öz

Son
yıllarda dijital patoloji görüntülerinin sınıflandırılması konusunda yapılan
görüntü işleme ve makine öğrenimi temelli çalışmalarda  oldukça başarılar sonuçlar  elde edildiği görülmektedir. Elde edilen
yüksek doğruluk değerleri, dijital patoloji alanında makine öğrenimi temelli
sistemlerin patoloji kliniklerinde patologlara yardımcı sistemler olarak
kullanılabileceğini göstermektedir. Önümüzdeki 30 yıl içerisinde özellikle patoloji
alanında yapay zeka ve makine öğrenimi temelli çözümlerin çok daha yüksek
oranda kullanılacağı öngörülmektedir. Bu çalışmada lenf kanserinin üç farklı
türüne ait dijital patoloji görüntülerin farklı makine öğrenimi teknikleri ile
sınıflandırılması işlemi gerçekleştirilmiştir. Çalışma kapsamında veri seti
olarak Chronic Lymphocytic Leukaemia
(CLL), Follicular Lymphoma (FL) ve Mantle Cell Lymphoma (MCL)
kanserlerine ilişkin dijital patolojik görüntüler kullanılarak özellik çıkarımı
ve makine öğrenim algoritmalarının eğitilmesi ve karşılaştırılması yapılmıştır.
Çalışmada her bir lenf kanseri türüne ait 45 adet olacak şekilde toplamda 135
adet dijital patoloji görüntüsü ön işlemlerden gerçirilerek renk yoğunluğu,
piksel yoğunluğu, entropi hesabı ve morfolojik 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 değerleri karşılaştırıldığında en iyi sonuç %89,72 doğruluk oranı
ortalamasıyla Random Forest tarafından
elde edilmiştir. 

Anahtar Kelimeler

Görüntü İşleme, Makine Öğrenimi, Patoloji

Kaynakça

• Abdoulaye, I. B. C., & Demir, Ö. (2017). Mamografi Görüntülerinden Kitle Tespiti Amacıyla Öznitelik Çıkarımı.
• Albayrak, A. (2013). Histopatolojik görüntülerde mitoz belirleme.
• Avunduk, M. C. & Sezgin, E. (2007). Patolojik Görüntülerin Bilgisayarlı Analiz Programı İle Değerlendirilmesi, Selçuk Üniversitesi Dijital Arşiv
• Ayyadevara, V. K., & Ayyadevara, V. K. (2018). Random Forest. In Pro Machine Learning Algorithms (pp. 105–116). https://doi.org/10.1007/978-1-4842-3564-5_5
• Buckstein, R., Pennell, N., & Berinstein, N. L. (2005). What is Remission in Follicular Lymphoma And What is its Relevance?. Best Practice & Research Clinical Haematology, 18(1), 27-56
• Celasun, B., (2018). Patoloji Nedir?, http://www.turkpath.org.tr/content.php?id=35 , (Erişim: 10.03.2019)
• Yörükoğlu, K., Usubütün, A., Doğan, Ö., Önal, B., & Aydın, Ö. (2009). Türkiye’de Patoloji Laboratuvarlarının Genel Profili. Türk Patoloji Dergisi, 25, 19-28.
• Cleary, J. G., & Trigg, L. E. (1995). K*: An Instance-Based Learner Using An Entropic Distance Measure, In Machine Learning Proceedings, pp. 108-114
• Demir, B., Çetin, N., & Kuş, Z. A. (2016). Görüntü İşleme Tekniği ile Yabancı Ot Renk Özelliklerinin Belirlenmesi. Alınteri Zirai Bilimler Dergisi, 31(2), 59-64.
• Demir, Ö., & Yılmaz Çamurcu, A. (2015). Computer-Aided Detection of Lung Nodules Using Outer Surface Features. Bio-Medical Materials And Engineering, 26(S1), S1213-S1222.
• Demir, V., Kahraman, S., Katgı, A., Pişkin, Ö., Özsan, G. H., Demirkan, F., Ündar. B. & Özcan, M. A. (2012). Kronik Lenfositik Lösemi Hastalarının Genel Klinik Değerlendirilmesi. Dokuz Eylül Üniversitesi Tıp Fakültesi Dergisi, 26(1), 9-19
• Digital Health, Accenture, Erişim adresi https://www.accenture.com/us-en/health-industry-index
• Erçelebi, E., & Subasi, A. (2006). Classification Of EEG For Epilepsy Diagnosis in Wavelet Domain Using Artifical Neural Network And Multi Linear Regression. In 2006 IEEE 14th Signal Processing and Communications Applications.
• Fan, Y., Shen, D., & Davatzikos, C. (2005, October). Classification of Structural İmages Via High-Dimensional Image Warping, Robust Feature Extraction, and SVM. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 1-8). Springer, Berlin, Heidelberg.
• Ishikawa, T., Takahashi, J., Takemura, H., Mizoguchi, H., & Kuwata, T. (2013, October). Gastric Lymph Node Cancer Detection of Multiple Features Classifier for Pathology Diagnosis Support System. In 2013 IEEE International Conference on Systems, Man, and Cybernetics, pp. 2611-2616
• Jafari-Khouzani, K., & Soltanian-Zadeh, H. (2003). Multiwavelet Grading of Pathological Images of Prostate. IEEE Transactions on Biomedical Engineering, 50(6), 697-704.
• Janowczyk, A, (2015). Digital Histology, Deep Learnıng, Erişim adresi http://www.andrewjanowczyk.com/use-case-7-lymphoma-sub-type-classification/
• Janowczyk, A., & Madabhushi, A. (2016). Deep Learning for Digital Pathology Image Analysis: A Comprehensive Tutorial with Selected Use Cases. Journal of Pathology Informatics, 7
• Jiang, H., Li, Z., Li, S., & Zhou, F. (2018, October). An Effective Multi-Classification Method for NHL Pathological Images. In 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 763-768). IEEE.
• Koçyiğit, İ., Kaynar, L. & Çetin, M. (2008). Hematopoetik Kök Hücre Biyolojisi. Türkiye Klinikleri Hematology-Special Topics, 1(2), 16-22
• Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., & Fotiadis, D. I. (2015). Machine Learning Applications in Cancer Prognosis and Prediction. Computational And Structural Biotechnology Journal, 13, 8-17.
• Madabhushi, A., & Lee, G. (2016). Image Analysis and Machine Learning in Digital Pathology: Challenges and Opportunities. pp. 170-175
• Nabizadeh, N., & Kubat, M. (2015). Brain Tumors Detection and Segmentation in MR Images: Gabor Wavelet vs. Statistical Features. Computers & Electrical Engineering, 45, 286-301.
• Nagar, H., Dabas, C., & Gupta, J. P. (2017). Navie Bayes and K-Means Hybrid Analysis for Extracting Extremist Tweets. International Journal of Control Theory and Application, 10(4), 209–221.
• Nguyen, T. T., & Armitage, G. J. (2008). A Survey of Techniques for Internet Traffic Classification Using Machine Learning. IEEE Communications Surveys and Tutorials, 10(1-4), 56-76.
• Peterson, L. (2009). K-nearest neighbor. Scholarpedia, 4(2), 1883. https://doi.org/10.4249/scholarpedia.1883
• Sezgin, E. (2007). Patolojik Görüntülerin Bilgisayarlı Analiz Programı ile Değerlendirilmesi (Doctoral Dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
• Türkoğlu, İ., Şengür, A., & Toraman, S. (2013) Tıbbi Görüntülerden İstenen Bir Örüntünün Ayrıştırılması. Yıldız Teknik Üniversitesi DSpace Kurumsal Arşiv
• Yıldız, O., Bilge, H. Ş., Akcayol, M. A., & Güler, İ. (2012). Meme Kanseri Sınıflandırması İçin Veri Füzyonu Ve Genetik Algoritma Tabanlı Gen Seçimi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 27(3).
• Yörükoğlu, K., Usubütün, A., Doğan, Ö., Önal, B., & Aydın, Ö. (2009). Türkiye’de Patoloji Laboratuvarlarında Kalite Kontrol. Türk Patoloji Dergisi, 25, 29-37.
• Wang, P., Hu, X., Li, Y., Liu, Q., & Zhu, X. (2016). Automatic Cell Nuclei Segmentation And Classification Of Breast Cancer Histopathology Images. Signal Processing, 122, 1-13.
• Wang, P. W., & Lin, C. J. (2014). Support vector machines. In Data Classification: Algorithms and Applications (pp. 187–204). https://doi.org/10.1201/b17320