Derin Öğrenme Odaklı Çalışmalar

Pereira ve diğerleri [107] geliştirdikleri ESA modeliyle ile gliomların doğrudan beyin MR görüntüleri üzerinden veya isteğe bağlı olarak belirlenmiş tümör alanını kullanarak otomatik derecelendirilmesini sağlayan bir yaklaşım önermişlerdir.

Çalışmada temel olarak, DDG’lerin yüksek dereceli bir gliom olan “Glioblastoma Multiforme”den ayırt edilebilmesi amaçlanmıştır. Çalışmadaki modelin oluşturulmasında açık veri setlerinden yararlanılmıştır. Önerilen yaklaşımda, beyin MR görüntüleri kullanıldığında %89,5, tümör alanı seçili görüntülerle ise %92,9 doğruluk elde edildiği raporlanmıştır [107].

Chen ve diğerleri [108] gliomları sınıflandırmak için bilgisayar destekli bir tanı sistemi geliştirmiştir. Bu sistem temel olarak veri ön işleme, tümör alanlarını ayırma (bölütleme), radyomik özelliklerin çıkarılması, özellik seçimi ve veri sınıflandırma işlemlerini içermiştir. Çalışmadaki modelin oluşturulmasında 2015 yılına ait halka açık bir veri seti kullanılmıştır. Bölütleme, derin öğrenmeye dayalı olarak üç boyutlu ve toplam on bir katmanlı bir ESA modeli olan DeepMedic kullanılarak gerçekleştirilmiştir. Çalışmada, MR görüntüleri üzerinde, açık kaynak kodlu bir Python paketi kullanılarak radyomik özellikler çıkarılmıştır. Bu kapsamda, GSEM, GDÇU, GDBBM, KGDBM ve KGFM doku özellik grupları kullanılmıştır. Özellikler çıkarıldıktan sonra gliom alanlarına ait optimum birinci dereceden özellikler, şekil özellikleri ve doku özellikleri elde etmek için DVM yinelemeli özellik seyreltme uygulanmıştır. Sınıflandırma sürecinde ise, gliomların derecelerini (DDG, YDG)

20

değerlendirmek için gradyan artırıcı ağaç modeli (XGBoost) sınıflandırıcıdan yararlanılmış ve %91,27 doğruluk elde edilmiştir [108].

Yang ve diğerleri [109] DDG'lerin YDG'lerden ayrımını sağlayacak derin ESA mimarilerine dayanan iki farklı model önermiştir. Retrospektif olarak tasarlanan bu çalışmada, gliom teşhisi konulmuş toplam 113 hastadan alınan kontrastlı T1 MR görüntüleri kullanılmıştır. Geliştirilen modellerde AlexNet ve GoogLeNet mimari yapıları kullanmıştır. Çalışmada, ele alınan mimari yapıların sıfırdan eğitilmesi ve önceden eğitilmiş ağların yeniden kullanılması olmak üzere iki türde transfer öğrenme yaklaşımı oluşturulmuştur. Çalışmanın sonuçlarına göre, önceden eğitilmiş modellerin tekrar tamamı eğitilmeden kullanıldığında daha iyi performans gösterdiği ve en iyi GoogLeNet ile ortalama %94,5 doğruluk ve %96,8 AUC sağladığı raporlanmıştır [109].

Banerjee ve diğerleri [110] DDG ve YDG sınıflandırması için derin ESA modellerine dayalı ve transfer öğrenme temelli yaklaşımlar önermiştir. Çalışmada, halka açık farklı veri tabanlarından temin edilen MR görüntüleri kullanılarak tümör alanı bazlı, dilim bazlı ve çok düzlemli tekniklerin uygulanmasıyla gliomları derecelendirmede etkin kullanım yollarını araştırılmıştır. Bu kapsamda, VGGNet ve ResNet mimarileri hem son birkaç katman üzerinde düzenlemeler yapılarak hem de sıfırdan eğitim yoluyla transfer öğrenme için uygunluğu test edilmiştir. Çalışma kapsamında ayrıca geliştirilen PatchNet, SliceNet ve VolumeNet mimarisi MR görüntüleri üzerinde eğitilmiştir. Sonuç olarak, önerilen mimari yapı transfer öğrenme ile gerçekleştirilen modellerden daha iyi performans sergilemiş ve en iyi %95 test doğruluğu ile DDG ve YDG ayrımı gerçekleştirmiştir. DDG'nin 1p/19q içeren veya içermeyen durumlara yönelik ise %97'lik bir sınıflandırması performansı raporlanmıştır. İkinci yaklaşımlarında özelliklerin çıkarılması veya seçilmesi süreçlerinde herhangi bir ek işlem yapılmadığı belirtilmiştir [110].

Akkuş ve diğerleri [111] gliomların sınıflandırılmasında çok ölçekli bir ESA modeli önermiştir. Modelde gliom lezyonlarında 1p/19q kromozom kollarının daha iyi prognozla ilişkilendirilmesi durumu baz alınarak 2002-2011 yıllarına ait 159 adet DDG vakası veri seti olarak kullanılmıştır. Çalışmada biyopsi ile kanıtlanmış 2B

21

lezyon görüntüleri kromozom durumlarıyla birlikte değerlendirilmiştir. Önerilen ESA modelinde girdi olarak, T2 ve T1-ağırlıklı MRG görüntülerinin bir kombinasyonu kullanılmıştır. En iyi ESA modelinin oluşturulmasında, dört farklı test veri kümesi üzerinden farklı optimize edici algoritmalar kullanılarak tahminleme yapılmıştır.

Önerilen modelin performansı, 83.3%-87.7% doğruluk ile raporlanmıştır [111].

Bagari ve diğerleri [112] yaptıkları retrospektif çalışmada gliomların sınıflandırılmasında derin öğrenme ve radyomik özelliklerin kullanışlılığını araştırmıştır. Çalışmada 30 hastadan alınan patoloji verileri, FLAIR ve T1-ağırlıklı MRG çıktıları ile bir arada ele alınmış ve geliştirilen modellerle DDG’leri sınıflandırmak için radyomik verilerden yararlanarak derinlemesine analiz yapılmıştır.

Modellerin eğitilmesinde 2B örüntü özellikleri ve GSEM, GDÇU gibi doku özelliklerinden oluşan radyomik verilerden yararlanılmıştır. Önerilen birleşik radyoloji ve patoloji modeli kapsamında tahminlemedeki en iyi performans %90 doğruluk ile raporlanmıştır [112].

Zhuge ve diğerleri [113] DDG ve YDG sınıflandırılmasına yönelik ResNet mimari yapısını temel alan iki farklı derin ESA modeli önermiştir. Bu modellerde, ilk aşamada U-Net modeline dayalı 3B beyin tümörü bölütlemesi yapılmış, ardından elde edilen görüntü dilimleri üzerinden de sınıflandırma işlemi gerçekleştirilmiştir. Önerilen ilk modelde tümör alanları bölgesel evrişimsel sinir ağı (R-CNN) yardımıyla belirlenmiş ve bu alanlar üzerinde 2B veri artırımı yöntemleri uygulanmıştır. İkinci modelde ise tümör alanlarının hacimsel görüntülerine ait uzamsal/bağlamsal bilgileri kullanılmıştır. Her iki modelde de halka açık farklı veri tabanlarından yararlanılmıştır.

Sonuçlara göre 2B modelle %89,1-%96,3, 3B modelde ise %97,1 sınıflandırma performansı elde edilmiştir. Sonuçlar, 2B modelin sınıflandırma performansının, veri artırma yöntemleri ile iyileştirilebileceğini göstermiştir [113].

Özcan ve diğerleri [114] gerçek klinik verilerine dayalı oluşturulan derin ESA modellerinin DSÖ’nün güncel standartlara göre gliomların analizinde ve derecelendirilmesindeki etkinliğini dört farklı model üzerinden incelenmiştir. Çalışma kapsamında, düşük ve yüksek dereceli gliomların ayrımı ve gliom lezyonlarının analizi için 2016-2019 yıllarını kapsayan bir retrospektif çalışma yürütülmüş ve bu amaçla

22

derin ESA mimarilerine dayalı dört model kullanılmıştır. Modellerden ilki sıfırdan eğitilmiş probleme özgü bir ESA mimari yapısı içerirken, diğer üç model bir transfer öğrenme protokolü dahilinde sırasıyla AlexNet-, GoogLeNet- ve SqueezeNet-temellidir. 104 gliom vakasından alınan T2-FLAIR MR görüntüleri bu çalışma kapsamında veri artırma ve çoklu-kırpma teknikleri ile genişletilmiştir. Tüm modeller için %97 AUC’nin üzerinde performans başarısı raporlanmıştır. Öğrenilen aktivasyonlar ve morfolojik özellikler model-bazlı ve lezyon derecelerine göre analiz edilmiştir. Araştırma sonuçlarına göre, önerilen özel mimari yapı ve AlexNet-, GoogLeNet-, SqueezeNet-temelli transfer öğrenme ile geliştirilen modeller için sırasıyla 0,989, 0,971; 0,970, 0,923; 0,987, 0,933; 0,975, 0,894 doğruluk ve AUC oranları elde edilmiştir [114].

Literatürdeki gliomların analizi ile ilgili raporlanan çalışmaların, genel olarak farklı makine öğrenmesi yaklaşımlarından faydalandığı görülmektedir. Son zamanlarda yapılan araştırmaların ise derin öğrenmeye odaklandığı anlaşılmaktadır. Yakın zamanda yayımlanan bir incelemede [115], makine öğrenmesi algoritmalarının gliomların analizinde dokuların nasıl sınıflandırıldığı konusunda bir “kara-kutu”ya benzetilerek yetersiz bilgi verdiği yönünde eleştirildiği, ancak bu durumun son zamanlarda uygulanan derin öğrenme yaklaşımlarının getirdiği görselleştirme yöntemleri ile çözülebileceği ve daha açıklayıcı bilgiler sunulabileceği belirtilmiştir.

Derin öğrenmenin glioma tanıları üzerindeki etkisini ele alan bir başka incelemede [116] ise, ESA algoritmalarının gerçek klinik uygulamalarına adaptasyonunda veri artırımı ve transfer öğrenme metodolojilerinin önemli bir role rahip olduğu belirtilmiş, kullanılacak yeni veri setlerinin gliomların sınıflandırılmasındaki faktörleri araştırmada faydalı olacağı vurgulanmıştır. Bu bağlamda, günümüzde halen gliomların tanı ve sınıflandırılmasında kullanılabilecek DSÖ tarafından belirlenen yeni derecelendirme değerlerine uygun standardize edilmiş yaklaşımlara ve en iyi sonuçların aranmasında disiplinler-arası yeni çalışmalara ihtiyaç bulunmaktadır [115].

23