Özet:
Kanserin evresinin belirlenmesi, tedaviler için en önemli etmenlerden biridir. Hücresel çoğalma indeksi, kanserin evresini belirleyen faktörlerden biridir. Bu nedenle hücresel proliferasyon indeksinin belirlenmesi tedavi için hayati öneme sahiptir. Patologlar, hücresel çoğalmayı belirlemek için KI67 nükleer proteinlerinin prognostik özelliğini kullanır. KI67 nükleer protein uygulandığında yüksek çoğalma hızına sahip hücreler kahverengimsi bir renge sahip olurlar. Bu hücrelerin miktarı, proliferasyon indeksinin hesaplanmasında kullanılır. Bu tez kapsamında hücrelerin KI67 pozitif ve negatif olarak etiketlenmesi için yapay zeka destekli görüntü işleme teknikleri kullanılmıştır. Bu çalışmada Faster R-CNN obje tanıma modeli kullanılmıştır. Faster R-CNN obje tanıma modelinin başarı oranları, kullanılan CNN modeline bağlıdır. Günümüzde Faster R-CNN obje tanıma algoritması için kullanılabilecek birden çok CNN modeli bulunmaktadır. Bu tez kapsamında ResNet50,ResNet18,VGG16,VGG19 CNN modelleri kullanılmıştır ve bu modellerin Faster R-CNN obje tanıma algoritmasına entegre edilerek KI67 hücre etiketlemedeki başarımları test edilmiştir. Derin öğrenme teknikleri ile obje tespiti veri setine de bağlıdır. Veri seti görüntüleri, eğitim sürecinden önce etiketlenmelidir. Bu tezde iki farklı görüntü etiketleme tekniği ile veri seti oluşturularak tam denetimli ve yarı denetimli öğrenme yöntemleri uygulanmıştır. Tam denetimli öğrenme yönteminde tüm görüntüler manuel olarak etiketlenmiştir. Yarı denetimli öğrenme yönteminde ise varolan obje tanıma modeli etiketlemede kullanılmıştır. Yarı denetimli öğrenme yöntemi Faster R-CNN obje tanıma algoritmasına entegre edilerek daha başarılı sonuçlar alınmıştır. Bu sayede en uygun şekilde KI67 nükleer eksprasyonu gösteren gliom hücrelerinin tanınması sağlanmıştır.
