Kanser Tans için Kolon Bezlerinin Matematiksel Analizi

Mathematical Analysis of Colon Glands for Cancer Diagnosis

Celal Çr1, Cenk Sökmensüer2, Çidem Gündüz-Demir1
1
Bilgisayar Mühendislii Bölümü
Bilkent Üniversitesi, Ankara
{cigir,gunduz}@cs.bilkent.edu.tr

2
Patoloji Anabilim Dal
Hacettepe Tp Fakültesi, Ankara
csokmens@hacettepe.edu.tr

Özetçe
Kanserin de içinde yer ald neoplastik hastalklar,
dokularda organizasyonel deiimlere yol açar. Bu
hastalklarn tan ve derecelendirilmesi için günümüz tbbnda
rutin olarak kullanlan histopatolojik inceleme, patologlarn
bu deiimleri mikroskop altnda belirlemesine dayanr.
Ancak, bu inceleme, patologlarn görsel yorumlamasn esas
alr ve dolaysyla dikkate deer ölçüde öznellik tayabilir. Bu
öznellii azaltmak amac ile nesnel ölçütler salayan farkl
biliimsel yöntemlerin kullanlmas önerilmitir. Bu yöntemler,
dokudaki hastala bal deiimleri, doku görüntüsü üzerinde
öznitelikler tanmlayarak niceler. Bu bildiride, farkl öznitelik
çkarma yöntemleri kullanlarak kolon bezlerinin matematiksel
analizi yaplmtr. Bu analizde, morfolojik, renksel ve dokusal
öznitelik çkarma yaklamlar incelenmi ve bu öznitelikler
kullanlarak kolon bezleri snflandrlmtr. Otuzalt
hastadan alnan 108 kolon doku görüntüsü üzerinde
yaptmz deneysel çalmalar, bu snflandrmann, normal
bezlerin kanserli bezlerden otomatik olarak ayrlmas
konusunda umut verici sonuçlar verdiini göstermitir.
Abstract
Neoplastic diseases including cancer cause organizational
changes in tissues. Histopathological examination, which is
routinely used for the diagnosis and grading of these diseases,
relies on pathologists to identify such tissue changes under a
microscope. However, as this examination mainly relies on the
visual interpretation of pathologists, it may lead to a
considerable amount of subjectivity. To reduce the subjectivity
level, it is proposed to use computational methods that provide
objective measures. These methods quantify the tissue changes
associated with disease by defining features on tissue images.
In this paper, colon glands are mathematically analyzed
making use of different feature extraction approaches. In this
analysis, morphological, intensity-based, and textural features
are investigated and glands are classified using these features.
Working on the images of 108 colon tissues of 36 patients, our
experiments demonstrate that this classification leads to
promising results for differentiating normal glands from the
cancerous ones.
1. Giri
Histopatolojik inceleme, hastalklara bal olarak gerçekleen
doku deiimlerinin belirlenmesi için biyopsisi alnan
dokunun mikroskop altnda incelenmesini içerir. Bu inceleme,
kanserin de içinde yer ald neoplastik hastalklarn rutin
klinik tans ve derecelendirmesi için günümüz tbbnda
kullanlan en önemli araçtr. Ancak, bu inceleme, esas olarak
patologlarn görsel yorumlamasna dayanr ve dikkate deer
ölçüde öznellik içerebilir [1]. Patologlara yardmc olmak ve
dolaysyla söz konusu bu öznellii azaltmak amac ile nesnel
ölçütler salayan biliimsel yöntemlerden faydalanlmas
önerilmitir. Bu biliimsel yöntemler, doku görüntülerinden
matematiksel özniteliklerin çkarlmasna ve bu özniteliklerin
kullanlarak hastala bal doku deiimlerinin nesnel olarak
ölçülmesine dayanr [2-7]. Dokuda görülen deiimler, doku
tipine ve hastalk çeidine bal olarak deiiklik gösterir.
Örnein, yumuak doku tümörleri dokudaki hücrelerin
dalmn deitirirken, adenokarsinomlar bunun yan sra
dokuda yer alan bezlerin yaplarnda da deiiklie yol açar.
Dolaysyla literatürde farkl hastalk tanlar için farkl
öznitelik tanmlamalar kullanlmtr.
Literatürde, doku (biyopsi) görüntüleri üzerinde öznitelik
çkarma yaklamlar, morfolojik, renksel, dokusal (textural)
ve yapsal olmak üzere dört ana kategoride incelenebilir.
Morfolojik yaklam, hücrelerin ekil ve büyüklüü hakknda
bilgileri nicelemek için kullanlmtr [2]. Renksel yaklamda
öznitelikler, doku görüntüsündeki piksellerin gri düzey ya da
renk younluk histogramlar kullanlarak elde edilir; bu
yaklamda piksellerin birbirlerine göre dalmlar dikkate
alnmaz [3]. Dokusal yaklam, piksel younluklarnn
görüntü yüzeyinde birbirlerine göre dalmlarn dikkate
alarak, biyopsi görüntüsünün düzgünlük, irilik, düzenlilik gibi
özellikleri niceler [4, 5]. Yapsal yaklamlar ise, hücrelerin
dokudaki dalmlarn modellemeyi amaçlar. Bunun için,
doku, hücreleri üzerinde tanmlanan bir çizge ya da Delaunay
üçgenlemesi olarak gösterilir ve bu gösterimden yapsal
öznitelikler çkarlr [6, 7].
Kolon dokularnda, epitel hücreler lümen boluu
etrafnda dizilerek bezsel yaplar oluturur. Hastanelerde
rutin olarak kullanlan hematoksilin-ve-eosin ile boyanm
örnek bir kolon doku görüntüsü, üzerinde kimi bezler krmz

978-1-4244-4436-6/09/$25.00 ©2009 IEEE 580

ile iaretlenerek ekil 1(a)’da gösterilmitir. Görülme skl
açsndan dünyada üçüncü srada yer alan kolorektal kanserin
yaklak yüzde 90-95’ini oluturan kolon adenokarsinomu bu
epitel hücrelerden kaynaklanr ve bu hücrelerin dolaysyla
kolon bezlerinin organizasyonlarnda bozulmalara yol açar.
Bu nedenle, kolon adenokarsinomu tans için bez yaplarnn
analizi çok önemlidir. Matematiksel tanda, bu analiz, bezleri
niceleyen özniteliklerin çkarlarak bunlarn incelenmesi ile
yaplabilir. Kanserli örnek bir kolon doku görüntüsü ekil
1(b)’de verilmitir.
(a) (b)
ekil 1: Rutin olarak kullanlan hematoksilin-ve-eosin ile
boyanm örnek kolon doku görüntüleri.
Bu çalmamzda, literatürde kullanlan morfolojik,
renksel ve dokusal öznitelik çkarma yaklamlarnn kolon
bezlerinin matematiksel analizi için kullanm, karlatrmal
olarak incelenmitir. Daha sonra, bu analizler kullanlarak,
normal bezlerin kanserli bezlerden otomatik olarak ayrlmas
üzerine çalmalar yaplmtr. Bütün bu analizler için gerekli
en önemli admlardan biri olan bez bölütlemesi içinse
aratrma grubumuzda gelitirdiimiz bir algoritma
kullanlmtr. Bu bildiride, ayrca, bu algoritmann detaylar
da anlatlmtr.
2. Nesne Tabanl Bez Bölütleme Algoritmas
Literatürde bez bölütlemesi için farkl metodlar kullanlmtr.
Bu metodlar, epitel hücrelerine veya lümen boluklarna ait
pikselleri bularak bunlar üzerinde matematiksel morfoloji
ve/ya bölge büyütmesi algoritmalarn kullanr [8-11]. Ancak,
doku görüntülerindeki piksel bilgilerinin dorudan kullanld
bu algoritmalarn baars, yüksek varyans ve düzensiz yap
gösteren bezleri içeren problemli dokular için snrldr. Doku
kesitlerinin hazrlanma (formalin ile tespit etme, kesit alma ve
boyama) sürecinden kaynaklanan problemler, bezler
arasndaki varyansn derecesini artrarak bu metodlarn
baarsn daha da snrlar.
Bu çalmada, bu tip problemli dokular da göz önüne
alan ve önceki çalmalarmzda tasarladmz bir bölütleme
algoritmas [12] kullanlmaktadr. Bezlerin düzenli yapsn
modellemeye dayanan bu algoritma, doku görüntüsünü, farkl
doku bileenlerini temsil eden bir grup nesneye ayrr. Daha
sonra, bu nesnelerin uzamsal dalm bilgisini, bölge
büyütmesi algoritmasnda kullanarak bezlerin yerlerini saptar.
Sadece piksel bilgisinin kullanlmas ile karlatrldnda,
nesneye dayal bilginin kullanlmas, problemli dokulardaki
gürültüye kar daha kuvvetli bir algoritma sunar. Nesne
tabanl bu algoritmann basamaklar aada özetlenmi ve
her bir basamak sonras elde edilen sonuç örnek bir resim
üzerinde görsel olarak ekil 2’de verilmitir.
Algoritmann ilk basama, doku görüntüsünde yer alan
pikselleri k-means algoritmas ile üç öbee ayrr. Bu öbekler,
rutin olarak kullanlan hematoksilin-ve-eosin boyamasndaki
978-1-4244-4436-6/09/$25.00 ©2009 IEEE
morumsu, pembemsi ve beyazms bölgelere karlk gelir. Bu
öbeklerden morumsu ve beyazms bölgelere karlk gelenler
üzerinde, [13]’de önerdiimiz algoritma ayr ayr çaltrlarak
dairesel nesneler tanmlanr. Bu nesneler, dokudaki hücre
çekirdeklerini temsil eden çekirdek-daireleri ve lümen ve
epitel hücre sitoplazmalarn temsil eden beyaz-dairelerdir.
Bu basaman sonucu ekil 2(a)’da, çekirdek-daireleri siyah
ile beyaz-daireler ise sar ile temsil edilerek gösterilmitir.
(a) (b)
(c) (d)
ekil 2: Önerilen nesne tabanl bez segmentasyonu
algoritmasnn basamaklar.
Sonraki basamak, bulunan beyaz-daireleri yapsal
özelliklerine bakarak lümen-dairesi ya da lümen-olmayan-
daire olarak ikiye gruplar. Bu amaçla, bulunan her bir beyaz-
daire ile kendisine en yakn n tane beyaz-daire ve n tane
çekirdek-dairesi arasnda kenar atanr ve bu kenarlardan
uzaklk ve aç bilgilerini ve dairelerden alan bilgisini
çkartlr. Daha sonra, çkarlan özellikler üzerinde k-means
algoritmas çaltrlarak beyaz-daireler ikiye öbeklenir.
Lümen-dairesi olarak belirlenen öbek sonraki aamada (bölge
büyütme algoritmasnda) çekirdek (seed) olarak kullanlr.
Bu basaman sonucu ekil 2(b)’de, lümen-daireleri krmz
ile lümen-olmayan-dairelerse mavi ile temsil edilerek
gösterilmitir.
Bölge büyütme algoritmas, büyümenin durdurulaca
noktalar çekirdek-dairelerini kullanarak tespit eder. Bunun
için, her bir çekirdek-dairesi ile bu daireye en yakn k tane
dier çekirdek-dairesi arasnda kenar tanmlar ve bu kenarlar
büyütmeyi durdurma ileminde kullanr. Bu ilemde
dorudan morumsu öbee ait piksellerin kullanlmamasnn
nedeni, bu ekilde kullanmn büyütme algoritmasnda
tamalara yol açmasdr. Büyütme ileminin sonucu ekil
2(c)’de, kullanlan kenarlar da gösterilerek verilmitir. Daha
sonra büyütülmü bölgelere ilgili çekirdek-daireleri eklenerek
bezlerin snrlar bulunur. Algoritmann son basamanda,
yanl bezler bir karar aac yardm ile elenir. Bu karar
aacndaki kurallar, bölgelerin içerdikleri öbek bilgisi
kullanlarak bulunur; bu basamak sonucu elde edilen
bölütleme ekil 2(d)’de gösterilmitir.
3. Özniteliklerin Çkarlmas
Bir önceki ksmda detaylar verilen bölütleme algoritmas,
özellikle tipik kolon bezleri için tasarlanmtr. Bu nedenle,
kanserli bez içeren dokularda düzgün olmayan sonuçlar
581
vermesi beklenmektedir. Dolaysyla, bu düzensiz sonuçlarn
karakterizasyonu kullanlarak kolon bezlerinin analizi
yaplabilir ve normal bezlerin kanserlilerden otomatik olarak
ayrlmas salanabilir. Bu karakterizasyon için elde edilen bez
bölgelerinden morfolojik, renksel ve dokusal özniteliklerin
çkarlmas planlanmtr. Ayrca, bir önceki aamada doku
görüntüsünü temsil etmek için tanmlanan dairesel nesnelerin
bez bölgesi içindeki dalmn niceleyen özniteliklerin de
çkarlmas planlanmtr. Bu özniteliklerin açklamalar özet
halinde aada verilmitir.
3.1. Morfolojik Öznitelikler
Kolon bezlerinin ekil ve büyüklük özelliklerini nicelemek
amacyla dört tane morfolojik öznitelik çkarlmtr.
Bunlardan ilk üç tanesi alan, çevre ve ortalama yarçaptr; bu
öznitelikler bezlerin büyüklükleri hakknda bilgi verir.
Bezlerin ekillerini nicelemek için yuvarlaklk çevre ve alan
bilgisi kullanlarak (yuvarlaklk = |1 – çevre2 / (4  alan) |)
tanmlanr; ilgili bezin eklinin daire olma durumunda
yuvarlaklk deeri 0 olacaktr.
3.2. Renksel Öznitelikler
Renksel özniteliklerin çkarlmasnda gri seviyedeki younluk
deerlerinin histogramlar kullanlmtr. Bunun için piksel
deerleri N bölmeye ayrlm ve bu bölmelere düen piksel
oran öznitelik olarak kullanlmtr. Ayrca, bu oranlar
olaslk deeri olarak kullanlarak, entropi öznitelii
çkarlmtr.
3.3. Dokusal Öznitelikler
Dokusal öznitelikler, her bir bez bölgesinin içinde yer alan
piksellerin birbirlerine göre dalmn kullanarak görüntünün
düzgünlük, irilik, düzenlilik gibi özelliklerini niceler. Bunun
için, bu çalmada birlikte-bulunma-matrisi (co-occurrence
matrix) kullanlmtr. Birlikte-bulunma-matrisi, verilen aç
ve uzaklk ilikisinde her bir piksel deeri çiftinin kaç kere bir
arada bulunduunun saysn verir. Bu matrisler için d
uzaklnda ve srasyla 0°, 45°, 90°, 135°, 180°, 225°, 270°
ve 315° açlarnda hesaplama yaplm ve ayn uzaklk deeri
için farkl aç deerleriyle bulunan matrisler toplanmtr.
Daha sonra hesaplanan matris üzerinde enerji, entropi,
kontrast, homojenlik ve kolerasyon öznitelikleri çkarlmtr.
Daha iyi sonuç almak için, renksel özniteliklere benzer
ekilde, piksel deerleri N bölmeye ayrlp birlikte-bulunma-
matrisleri buna göre elde edilmitir.
3.4. Dairesel Nesneler Üzerinde Tanmlanan Öznitelikler
Bir önceki ksmda anlatlan algoritmada dokuyu temsil
etmek için kullanlan dairesel nesnelerin dalmlar
kullanlarak bir grup öznitelik çkarlmtr. Bunlardan ilk iki
tanesi, çekirdek-daireleri ve beyaz-dairelerin ilgili bezde
bulunma orandr. Ayrca, bu oranlar olaslk deeri gibi
kullanlarak entropi de tanmlanmtr. Dier iki özellik
çekirdek-dairelerinin alanlarnn ortalama ve standard
sapmasdr. Benzer ekilde beyaz-daireler için de alan
ortalamas ve standard sapmas kullanlmtr.
4. Deneysel Sonuçlar
Bu çalmada, deneysel sonuçlar 36 hastadan alnan 108 tane
doku görüntüsü üzerinde yaplmtr; bunlardan 72 tanesi
978-1-4244-4436-6/09/$25.00 ©2009 IEEE
normal bez içeren, 36 tanesi de iyi-diferansiye kanserli bez
içeren dokulardr. Bu 108 görüntü üzerinde bölütleme
algoritmas kullanlarak 1439 tane bez bölgesi bulunmutr.
Her bir snf dokunun yarsnda yer alan bezler örenme dier
yarsnda yer alan bezler ise test kümesinde kullanlmtr.
Bez bölgeleri üzerinde anlatlan öznitelikler çkarlm ve
her bir öznitelik grubu üzerinde ayr ayr dorusal kernel
kullanan karar destek makinesi ile snflandrma yaplmtr.
Karar destek makinelerinde kullanlan parametre, örenme
kümesi üzerinde en iyi sonucu verecek ekilde seçilmitir; bu
aamada test örneklerinden faydalanlmamtr. Bu ekilde
elde edilen test sonuçlar Tablo 1, 2 ve 3’de gösterilmitir. Bu
tablolarda, test kümesi için hesaplanan hassasiyet, belirlilik ve
doruluk yüzdeleri verilmitir.
Morfolojik ve dairesel nesnelerin üzerinde tanmlanan
özniteliklerin kullanlmas ile bulunan sonuçlar Tablo 1’de
verilmitir. Bu özniteliklerin çkarlmas için kullanlan
herhangi bir parametre bulunmamaktadr.
Tablo 1: Morfolojik ve dairesel nesneleri üzerinde
tanmlanan özniteliklerin kullanlmas ile elde edilen test
sonuçlar.
Hassasiyet Belirlilik Doruluk
Morfolojik 68.20 63.32 65.17
Nesnesel 62.45 80.61 73.73
Renksel özniteliklerin çkarlmasnda, N parametresinin 4
farkl deeri gözönünde bulundurulmutur. Bu deerler
srasyla 4, 8, 16 ve 32’dir. Her bir parametre deeri için elde
edilen test sonuçlar Tablo 2’de verilmitir.
Tablo 2: Renksel özniteliklerin kullanlmas ile elde edilen
test sonuçlar.
Hassasiyet Belirlilik Doruluk
N=4 47.89 90.19 74.17
N=8 70.11 87.38 80.84
N = 16 70.88 87.38 81.13
N = 32 76.63 86.92 83.02
Dokusal özniteliklerin çkarlmasnda benzer ekilde 4
farkl N deeri (4, 8, 16 ve 32) kullanlmtr. Birlikte-
bulunma-matrisi tanmnda kullanlan d uzakl ise her bir N
deeri için 5, 10 ve 25 olarak alnmtr. Her bir N–d deer
çifti için bulunan test sonuçlar Tablo 3’de verilmitir.
Tablolardaki sonuçlar incelendiinde en iyi sonuçlarn
renksel öznitelikler kullanlarak alnd görülmütür. Bu
öznitelikler kullanlarak test kümesi üzerinde yüzde 83.02
orannda doruluk elde edilmitir (verilen bu deer için
örenme kümesindeki doruluk oran yüzde 91.73’tür).
Renksel öznitelik çkarlmasnda, histogram hesaplamalarnda
kullanlan N parametresinin küçük deerler için iyi hassasiyet
sonucu vermedii gözlenmitir. Bu parametrenin deerinin
artmas ile birlikte hassasiyet oranlar artarak yüzde 80
üzerinde doruluk oran elde edilmitir.
Renksel özniteliklerin dnda en iyi sonuç nesnesel daire
dalmn kullanan öznitelikler üzerinde alnmtr. Ancak
burada nispeten düük hassasiyet oran elde edilmi ve bu da
doruluk oranlarna yansmtr. Nesnesel daire dalmn
daha iyi niceleyen özniteliklerin (örnein, bu nesnelerin bez
bölgesi içinde birbirleri ile nasl daldklarn niceleyen
582
dokusal öznitelikler gibi) tanmlanmas ile bu sonuçlarn deneysel çalmalar, renksel öznitelik kullanlarak yaplan
iyileebilecei düünülmütür. Benzer bir durum morfolojik snflandrmann test örnekleri için yüzde 80 üzerinde
öznitelikler için de geçerlidir; burada da konkavlk, simetri doruluk oran verebildiini göstermitir. Bu sonuçlar, normal
gibi özellikler tanmlanabilir. ve kanserli bezlerin otomatik olarak ayrlmas için umut
verici niteliktedir.
Tablo 3: Dokusal özniteliklerin kullanlmas ile elde
edilen test sonuçlar. 6. Teekkür
Hassasiyet Belirlilik Doruluk Bu çalma, TÜBTAK 106E118 numaral proje tarafndan
d = 5, N = 4 44.06 89.02 71.99 desteklenmektedir.
d = 5, N = 8 47.51 75.70 65.02
d = 5, N = 16 40.23 68.69 57.91 7. Kaynakça
d = 5, N = 32 39.85 69.86 58.49 [1] Thomas, G.D., Dixon, M. F., Smeeton, N. C., Williams
d = 10, N = 4 46.36 89.25 73.00 N. S, “Observer variation in the histological grading of
d = 10, N = 8 49.81 66.36 60.09 rectal carcinoma,” J Cli Pathol, 36:385-391, 1983.
d = 10, N = 16 44.44 66.59 58.20 [2] Wolberg, W. H., Street, W. N., Heisey, D. M.,
d = 10, N = 32 45.98 65.19 57.91 Mangasarian, O. L., “Computer-derived nuclear features
d = 25, N = 4 100.00 0.00 37.88 distinguish malignant from benign breast cytology,” Hum
d = 25, N = 8 100.00 0.00 37.88 Pathol, 26:792-796, 1995.
d = 25, N = 16 100.00 0.00 37.88 [3] Zhou, Z. H., Jiang, Y., Yang, Y. B., Chen, S. F., “Lung
d = 25, N = 32 100.00 0.00 37.88 cancer cell identification based on artificial neural
network ensembles,” Artif Intell Med, 24:25-36, 2002.
Dokusal öznitelik çkarm ise seçilen parametrelerden [4] Hamilton, P. W., Bartels, P. H., Thompson, D.,
bamsz olarak düük doruluk oranlarnn alnmasna yol Anderson, N. H., Montironi, R., “Automated location of
açmtr. Buradan, öznitelik tanmlanmasnda kullanlan dysplastic fields in colorectal histology using image
birlikte-bulunma-matrisinin dokuyu yeterince karakterize texture analysis”, J Pathol, 182:68-75, 1997.
edemedii sonucuna varlmtr. leri aratrma çalmas [5] Wiltgen, M., Gerger, A., Smolle, J., “Tissue counter
olarak Gabor filtreleri gibi farkl dokusal yöntemlerin analysis of benign common nevi and malignant
kullanmnn aratrlmas planlanmaktadr. melanoma”, Int J Med Inform, 69:17-28, 2003.
Sonuçlar iyiletirmede kullanlacak bir dier yöntem [6] Weyn, B., Van de Wouwer, G., Kumar-Singh, S., Van
olarak, farkl gösterimlerin birletirilmesi düünülebilir. Bu Daele, A., Scheunders, P., Van Marck, E., Jacob, W.,
birletirme, öznitelik ya da snflandrc seviyesinde olabilir. “Computer-assisted differential diagnosis of malignant
Buna örnek olarak yaptmz snflandrc birletirmesi, mesothelioma based on syntactic structure analysis,”
doruluk orann yüzde 87.52’ye çkarmtr (hassasiyet ve Cytometry, 35:23-29, 1999.
belirlilik oranlar srasyla yüzde 78.16 ve 93.22 olmutur). [7] Gunduz-Demir, C., “Mathematical modeling of the
Bu birletirme algoritmasnda, her bir öznitelik grubundan en malignancy of cancer using graph evolution,” Math
iyi doruluk sonucunu veren snflandrc seçilmi ve elde Biosci, 209(2):514-527, 2007.
edilen dört snflandrcnn kararlar oylanarak sonuca [8] Wu, H. -S., Xu, R., Harpaz, N., Burstein, D., Gil, J.,
eriilmitir (beraberlik olma durumunda yanl snflandrma “Segmentation of microscopic images of small intestinal
sonucunda riskin fazla olmasndan dolayl kanserli snf glands with directional 2-D filters,” Anal Quant Cytol,
seçilmitir). Daha gelimi bir birletirme algoritmasnn 27(5):291-300, 2005.
kullanlmasyla bu sonuçlarn daha da iyiletirilebilecei [9] Wu, H. -S., Xu, R., Harpaz, N., Burstein, D., Gil, J.,
düünülmektedir. Ayrca çalmamzda kullandmz karar “Segmentation of intestinal gland images with iterative
destek makinelerinde daha karmak kernellerin kullanlmas region growing,” J Microscopy, 220(3):190-204, 2005.
da mümkündür. [10] Naik, S., Doyle, S., Feldman, M., Tomaszewski, J.,
Snflandrma sonuçlarn etkileyen bir dier etmen de, Madabhushi, A., “Gland segmentation and Gleason
bölütleme algoritmasnn baarsdr. Bu algoritma, dier grading of prostate histology by integrating low-, high-
otomatik bez bölütleme algoritmalarna göre daha iyi sonuç level and domain specific information,” Proceedings of
verse de, yaplan bölütleme hatasnn snflandrma baarsn 2nd Workshop on MIAAB, Piscataway, NJ, 2007.
azaltmada etkili olduu gözlenmitir; örnein renksel (N=32) [11] Farjam, R., Soltanian-Zadeh, H., Jafari-Khouzani, K.,
öznitelikler kullanlarak alnan sonuçlarda, normal bezlerdeki Zoroofi, R. A., “An image analysis approach for
yanl snflandrmann yaklak yüzde 20’sinin bu tip yanl automatic malignancy determination of prostate
bölütlenen bezler üzerinde yapld gözlenmitir. pathological images,” Clinical Cytometry, 72B(4):227-
240, 2007.
5. Sonuçlar [12] Gunduz-Demir, C., Kandemir, M., Tosun, A. B.,
Sokmensuer, C., “Automatic segmentation of colon
Bu bildiride, deiik öznitelik çkarma yaklamlar glands using object-graphs,” submitted (2008).
kullanlarak kolon bezleri üzerinde matematiksel analiz [13] Tosun, A. B., Kandemir, M., Sokmensuer, C., Gunduz-
yaplmtr. Bu analizde, morfolojik, renksel, dokusal ve Demir, C., “Object-oriented texture analysis for the
nesnesel öznitelik çkarma yaklamlar incelenmi ve bu unsupervised segmentation of biopsy images for cancer
öznitelikler kullanlarak kolon bezleri snflandrlmtr. detection,” Pattern Recogn, 42(6):1104-1112, 2009.
Normal ve iyi-diferansiye kanserli bezler üzerinde yaptmz

978-1-4244-4436-6/09/$25.00 ©2009 IEEE 583