Özet:
Plevral efüzyon akciğer dış yüzünü ve göğüs duvarı iç yüzünü saran zarlar arasında kalan boşlukta çeşitli içeriklerde su birikmesine denir. Sitopatolojik değerlendirmede bu duruma çok rastlanmaktadır. Bu nedenle çekirdek algılama, plevral efüzyon teşhisi için sitopatolojik değerlendirmede önemli bir adımdır. Son yıllarda derin öğrenme algoritmaları nesne algılamada önemli başarılar elde etmiştir. Bu çalışmada modern konvolüsyonel nesne algılayıcı, Yolov3, plevral efüzyon sitopatolojik görüntüleri üzerinde çekirdek algılama amacıyla önerilmiştir. Mikroskoptan alınan sitopatolojik görüntülerin panorama yöntemiyle birleştirilmesiyle tanıma için kullanılacak veritabanı elde edilmiştir. Deneyler 11157 çekirdek içeren 80 görüntü üzerinde gerçekleştirilmiştir. Bu çalışmada önerilen yöntem %94,10 kesinlik, %98,98 duyarlılık ve %96,48 F-ölçütü elde etmiştir. Literatürdeki benzer durumlar için kullanılan diğer yöntemlerle karşılaştırıldığında bu yöntemin 10 kat daha hızlı olduğu sonucu ortaya çıkmıştır. Bu hızlanma dijital patolojideki gerçek zamanlı bilgisayar-destekli tanı (Computer-Aided Diagnosis-CAD) uygulamaları için önemli bir avantaj sağlamaktadır. Dolayısıyla önerilen yöntem dijital patolojide patologlar tarafından tanı aracı olarak kullanılabilecektir.
Pleural effusion is the accumulation of water in various contents in the gap between the membranes surrounding the outer face of the lung and the inner wall of the chest. This case is commonly encountered in cytopathological evaluation. Therefore, the nuclei detection is an important step in the cytopathological evaluation for the diagnosis of pleural effusion. In recent years, deep learning algorithms have achieved significant success in object detection. In this study, the modern convolutional object detection algorithm, Yolov3, was proposed for the purpose of nuclei detection on cytopathological images of pleural effusion. For this study by combining the cytopathological images taken from the microscope with panorama method, the database to be used for detection was obtained. Experiments were performed on 80 images containing 11157 nuclei. The proposed method in this study achieved 94.10% accuracy, 98.98% sensitivity and 96.48% F-measure. Compared to other methods used for the similar cases in the literature, this method was found to be 10 times faster. This acceleration provides a significant advantage for real-time computer-aided diagnostic (CAD) applications in digital pathology. Thus, the proposed method can be used as a diagnostic tool by pathologists in digital pathology.
