Geri Dön

Detection of liver fibrosis on slide-level labeled unstained biopsies by quantitative phase imaging and multiple instance learning

Karaciğer fibrozisinin slayt seviyesinde etiketlenmiş boyasız biyopsilerden kantitatif faz görüntüleme ve çoklu örnek öğrenmeyle tespiti

PDF İndir

  1. Tez No: 800968
  2. Yazar: LÜTFİ KADİR ÇELEBİ
  3. Danışmanlar: DOÇ. DR. İSA YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 80

Özet

Son yıllarda, yapay zeka (YZ) da ki gelişmeler tıpta, özellikle radyoloji ve patoloji gibi teşhis alanlarında muazzam bir etkiye sahip oldu. Bu kapsamda, tıbbi verilerdeki önemli örüntülerin tanınması ve tespiti YZ ile yapılarak, teşhis süreçleri iyileştirebilir, otomatikleştirilebilir, daha doğru ve verimli hale getirebilir, ayrıca hassasiyet ve tutarlılığı artırabilir. YZ'nin büyük potansiyele sahip olduğu alanlardan biri, giderek geleneksel histopatolojik incelemenin yerini alan dijital patolojidir (DP). Dijital patolojide doku slaytları yüksek kaliteli dijital görüntülere dönüştürülür ve bu veriler üzerinde YZ kullanarak algılama, segmentasyon ve sınıflandırma görevlerini yerine getirmek oldukça elverişlidir. Diğer taraftan, geleneksel patolojide ve mevcut dijital patolojide biyopsi numuneleri konstrast elde etmek için boyanarak görüntülenir. Ancak bu yöntemlerin boyama hataları, farklı boyama reaktifleri üreticileri ve farklı boyama koşulları nedeniyle renk farklılıkları gibi dezavantajları vardır. Bu dezavantajların giderilmesi için kantitatif faz görüntüleme (KFG) oldukça uygun bir yöntemdir. Klasik mikroskop incelemesinde kullanılan biyolojik numuneler çok incedir ve ışığı zayıf bir şekilde emer ve dağıtır. Bu nedenle görüntüleme sırasında boyama olmadan kontrast oluşmaz, yani şeffaftırlar. Geleneksel parlak alan görüntüleme yalnızca genliği ölçerken, KFG, numunenin hem genlik hem de faz bilgisinin ölçülmesini sağlar. Böylece herhangi bir boyama yapılamadan, şeffaf numuneler KFG sayesinde yüksek kontrast ile görüntülenebilir. Işık şeffaf biyolojik örneklerle etkileşime girdiğinde, elektromanyetik alanın fazı bir referansa göre değişir. Numunenin ve çevreleyen ortamın kırılma indeksindeki fark, KFG'de ölçülen faz kayması ile orantılıdır. KFG, hücre biyolojisinde, kırmızı kan hücrelerinin görüntülenmesinde ve kanser gibi histopatolojik inceleme ile hastalıkların teşhisinde kullanım için önemli bir potansiyele sahiptir. Fourier Ptychography (FP) mikroskobisi KFG yapabilen, bir hesaplamalı görüntüleme tekniğidir. FP, farklı açılardan aydınlatılarak elde edilmiş düşük çözünürlüklü görüntüleri Fourier uzayında yinelemeli olarak birleştirerek numunenin karmaşık görüntüsünü (genlik ve faz) elde etmek için Faz Çağırma ve Açıklık Sentezi olan iki klasik optik tekniğini birleştirir. FP iki avantaj sağlar: 1- Geniş bir görüş alanını korurken yüksek çözünürlüklü görüntüler sağlar, 2- Karmaşık optik girişim teknikleri kullanmadan nicel faz bilgisini elde eder. Bu çalışmada, karaciğer biyopsilerinin FP mikroskobu ile elde edilen faz görüntülerinden Dikkat-tabanlı Derin Çoklu Örnek Öğrenme (ÇÖÖ) kullanılarak karaciğer fibrozunun tespiti amaçlandı. Burada kullanılan derin öğrenme mimarisinde, çok büyük boyutlu karaciğer biyopsi faz görüntüleri yamalara ayrılarak modele beslenir ve model biyopsi görüntüsü düzeyinde sağlıklı veya hastalıklı olarak çıkarım yapar. Ayrıca bu mimaride kullanılan dikkat katmanı, her biyopsi görüntüsündeki her bir yamaya farklı dikkat ağırlıklarının atanmasını sağlar. Böylece, biyopsi görüntüsü düzeyinde sınıflandırmanın yanı sıra, slayttaki pozitif etikete yol açan en önemli yamalar bulunabilir. Böylece hastalıkla ilişkili doku bölgelerinin tespitinde patoloğa destek sağlayabilir. Bu çalışmanın amaçlarından biri, KFG kullanarak boyama işlemine bağlı geleneksel histopatolojik incelemenin subjektifliğini ve tutarsızlığını ortadan kaldırmaya çalışmaktır. Ayrıca geleneksel optik sistemlere göre birçok avantajı olan FP'nin kullanım potansiyelini göstermektir. Çalışmanın bir diğer amacı, karaciğer biyopsilerinin faz görüntüleri üzerinde patolog tarafından herhangi bir yerel etiketleme yapılmadan sadece biyopsi düzeyinde etiketle ÇÖÖ çerçevesi aracılığıyla karaciğer fibrozisini doğru bir şekilde teşhis etmek için derin öğrenme modeli eğitmektir. Ayrıca kullanılan derin öğrenme yapısındaki dikkat mekanizması, yüksek tanısal değerli alanların bulunmasını sağlar. Böylece bu yaklaşım, tıbbi tanıda yorumlanabilirlik ve açıklanabilirlik gibi YZ bazı sınırlamalarını ortadan kaldırma potansiyeline sahiptir. Karaciğer biyopsileri Bezmialem Vakıf Üniversitesi Hastanesi Patoloji Bölümü'nden rutinden farklı olarak boyanmadan alındı. Evre 0 olarak etiketlenen 32 slayt, evre 5 olarak etiketlenen 36 slayt ve evre 6 olarak etiketlenen 24 slayt vardır. Karaciğer biyopsilerinin KFG'si için kullanılan FP, bir Nikon TE-2 optik mikroskobu üzerine kuruldu. Görüntüleme için 10x 0.3 sayısal açıklığa sahip objektif kullanıldı. 632 nm merkezi dalga boyuna sahip bir aydınlatıcı olarak 32x32 LED matrisi (Adafruit) kullanıldı. LED matrisi, numune düzleminin 85 mm yukarısına yerleştirildi. Sıralı olarak aydınlatmak için LED matrisini kontrol etmek için bir Arduino mikrodenetleyici kullanıldı. Düşük çözünürlüklü görüntü yığını yalnızca ortadaki 15x15 LED'ler kullanılarak toplandı, dolayısıyla her ölçümden elde edilen ham görüntü yığını 225 düşük çözünürlüklü görüntü içeriyor. Her bir LED'in aydınlatma süresi 5 sn'dir ve her bir ölçüm için ham görüntü yığınının elde edilmesi yaklaşık 20 dakika sürmüştür. 7.4 μm piksel boyutuna ve 2560×2160 dizi boyutlarına sahip bir sCMOS kamera (Andor) kullanıldı. Düşük çözünürlüklü ham görüntü yığınından yüksek çözünürlüklü karmaşık görüntünün geri çatma işlemi MATLAB kullanılarak gerçekleştirildi. FP sisteminin uzamsal çözünürlüğünü kontrol etmek için USAF test grid kullanıldı. Düşük çözünürlüklü görüntü, 0.3 sayısal açıklık ile 2.1 um uzamsal çözünürlüğe sahiptir. FP, 0.73 sentetik sayısal açıklık ile 0.86 um uzamsal çözünürlük elde etti. FPM'nin kantitatif faz görüntüleme performansı, bir SiO2 faz kalibrasyon slaydının (PhaseFocus) görüntülenmesiyle değerlendirildi. Kalibrasyon slaydındaki uzun kabartmalar 303 nm yüksekliğe sahiptir. Numunenin faz haritasını FPM ile elde edebileceğimiz için, arka plan ve uzun kabartmalar arasındaki faz farkı ölçülebilir. Bu faz farkı bilgisi, arka plan ile uzun rölyefler arasındaki yüksekliği içerir. Böylece FPM'nin kalibrasyon slaydının faz bilgisini doğru bir şekilde ölçüp ölçemeyeceğini belirledik. Kalibrasyon slaydındaki faz farkı, MATLAB kullanılarak görüntü işleme yöntemleri kullanılarak kalibrasyon slaydının faz görüntüsünden elde edildi. Yüksek kabartmalar ile arka plan arasındaki yükseklik FPM ile 278 ± 44 nm olarak ölçülmüştür. FP'nin kantitatif faz görüntüleme performansı doğrulandıktan sonra, boyasız karaciğer biyopsileri FP ile görüntülendi. Her slayttan 4 veya 5 farklı alan görüntülendi, yani her slayttan 7540x6340 piksel boyutunda 4 veya 5 faz görüntüleri elde edildi. Ardından, her bir faz görüntüsü, 512x512 piksele yamalandı. Doku tabanlı özenitelikler, arka planı ve düşük doku içeriğine sahip yamaları filtrelemek için kullanıldı. Derin öğrenme modeli eğitiminden önce, 4 kat çapraz doğrulama için veriler 4 farklı veri setine bölündü ve eğitim setleri geometrik dönüşümler kullanılarak veri artırma yapıldı. Slayt sınıfını ve slayttaki olası hastalıklı alanları tahmin etmek için Dikkat tabanlı Derin ÇÖÖ kullanıldı. Bu çerçevede, faz görüntüleri her slaydın faz görütülerinin yamaları içeren çanta olarak derin öğrenme modeline beslenir. Her çantanın sağlıklı (Ishak skorlama sistemine göre evre 0) veya fibroz (Ishak skorlama sistemine göre evre 5 ve evre 6) olarak etiketi vardır. Kullanılan derin öğenme modeli hem slyat etiketini bulmayı hemde dikkat mekanızması ile hastalıklı bölgeyi bulmayı amaçlar. Sonuç olarak: FP ile karaciğer biyopsilerinin faz görüntüleri yüksek kontrast ve yüksek çözünürlükle elde edildi. Bu veriler üzerinde yapılan derin öğrenme çalışmaları sonucunda, ortalama %88 doğruluk elde edildi ve derin öğrenme modeli tarafından en önemli yamalar tespit edildi. Bu bölgelerin fibrozla ilintili bölgeler olduğu patolog tarafından doğrulandı. Bu çalışmanın sonuçları, FP ve Dikkat-tabanlı ÇÖÖ'nin dijital patoloji için oldukça umut vaat ettiğini göstermektedir.

Özet (Çeviri)

In recent years, advances in artificial intelligence (AI) have had a great impact in medicine, particularly in diagnostic fields such as radiology and pathology. In this context, the recognition and detection of important patterns in medical data can be made with AI, which can improve diagnostic processes, automate and make them more accurate and efficient, as well as increase sensitivity and consistency. One area where AI has great potential is digital pathology (DP), which is increasingly replacing traditional histopathological examination. In DP, tissue slides are turned into high-quality digital images and it is very convenient to perform detection, segmentation and classification tasks using AI on these data. On the other hand, biopsy specimens are stained for imaging with contrast in conventional pathology and current digital pathology. However, these methods have disadvantages such as staining errors, color differences due to different stain reagent manufacturers and different staining conditions. Quantitative phase imaging (QPI) is a very suitable method to overcome these disadvantages. Biological samples used in classical microscope examination are very thin and poorly absorb and scatter light. Therefore, no contrast occurs during imaging without staining, ie they are transparent. Whereas conventional bright field imaging measures only the amplitude, OPI allows measurement of both amplitude and phase information of the sample. Thus, transparent samples can be imaged with high contrast via QPI without any staining. QPI has great potential for use in cell biology, imaging of red blood cells, and diagnosis of diseases by histopathological examination, such as cancer. Fourier Ptychography (FP) microscopy is a computational imaging technique that can perform QPI. FP combines two classical optical techniques, Phase Retrieval and Aperture Synthesis, to obtain a complex image (amplitude and phase) of the sample by iteratively combining low-resolution images illuminated from different angles in Fourier space. FP provides two advantages: 1- It provides high resolution images while maintaining a wide field of view (FOV), 2- It acquires quantitative phase information without using complex optical interference techniques. In this study, the aim was to detect liver fibrosis using Attention-based Deep Multiple Instance Learning (MIL) from phase images of liver biopsies obtained by FP microscopy. In this framework, very large liver biopsy phase images are divided into patches and fed to the model, and the model infers healthy or diseased states at the biopsy image level. Also, the attention layer used in this architecture ensures that different attention weights are assigned to each patch in each biopsy image. Thus, besides classification at the biopsy image level, the most significant patches on the slide leading to the positive label can be found. Thus, it can provide support to the pathologist in the detection of disease-related tissue regions. One of the aims of this study is to try to eliminate the subjectivity and inconsistency of traditional histopathological examination due to staining using QPI. Another aim of the study is to train a deep learning model to accurately diagnose liver fibrosis through the MIL framework with only biopsy-level labeling without any local labeling by the pathologist on phase images of liver biopsies. In addition, the attention mechanism ensures that areas of high diagnostic value are found. Thus, this approach has the potential to overcome some of the limitations of AI in medical diagnosis, such as interpretability and explainability. Phase images of liver biopsies with FP were obtained with high contrast and high resolution. As a result of deep learning studies on these data, an average of 88% accuracy was achieved and the most important patches were detected by the deep learning model. It was confirmed by the pathologist that these regions were associated with fibrosis. The results of this study show that FP and Attention-based MIL are very promising for digital pathology.

Benzer Tezler

  1. Tez No

    534122

    Kronik hepatit b hastalarında antiviral tedavi sonuçları ve tedavi esnasında görülen yan etkiler

    Side effects and results of antiviral treatments used in patients with chronic hepatitis B

    RUKİYYE BULUT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Klinik Bakteriyoloji ve Enfeksiyon HastalıklarıNecmettin Erbakan Üniversitesi

    Enfeksiyon Hastalıkları ve Klinik Bakteriyoloji Ana Bilim Dalı

    PROF. DR. MEHMET BİTİRGEN

  2. Tez No

    839877

    Orta ve şiddetli Psoriasis vulgaris hastalarında karaciğer fibrozisinin değerlendirilmesi

    Evaluation of liver fibrosis in moderate and severe Psoriasis vulgaris patients

    HANDE YAĞMUR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    DermatolojiSakarya Üniversitesi

    Deri ve Zührevi Hast. Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RABİA ÖZTAŞ KARA

  3. Tez No

    455207

    Çocuklarda kronik karaciğer hastalığının değerlendirilmesinde elastografinin yeri

    Importance of elastography in the evaluation of childhood chronic liver diseases

    SÜLEYMAN SÖNMEZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. İBRAHİM ADALETLİ

  4. Tez No

    365914

    Kronik viral hepatitler ve otoimmun hepatitlerde karaciğer sertliğinin ve fibrozisin saptanmasında real tıme shear-wave elastografi tekniği kullanımının tanısal etkinliğinin değerlendirilmesi

    In patients with chronic viral hepatitis and autoimmune hepatitis in the detectionof the liver stiffness and fibrosis, evaluation the diagnostic efficacy of the use real rime shear-wave elastography technique

    EMRAH KARATAY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer TıpMarmara Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. DAVUT TÜNEY

  5. Tez No

    409410

    Nonalkolik yağlı karaciğerli hastalarda ileri evre fibrozisin saptanmasında noninvaziv yeni bir yöntem olan fibrometer VCTE'nin tanısal performansı

    Diagnostic usefulness of fibrometer VCTE for hepatic fibrosis in patients with nonalcoholic fatty liver disease

    ELİF DİNÇSES

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    GastroenterolojiMarmara Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. YUSUF YILMAZ

Geri Dön