Akademik Veri Yönetim Sistemi
Karaarslan E., Alış D. C., Öksüz I., Şahin A., Ince Ü., Tokat F., et al.
TÜBİTAK Projesi, 2022 - 2024
Proje Özeti
Prostat kanseri yıllık yaklaşık 1.6 milyon yeni vaka ile erkeklerde en sık görülen ikinci kanserdir. Dünyada prostat kanserine bağlı yıllık 366.000 ölüm gerçekleşmektedir. Çok sık gözükmesi ve ölüme sebebiyet vermesi nedeniyle prostat kanseri bir toplum sağlığı sorunudur. Uluslararası rehberler prostat kanseri şüphesi olan tüm hastalarda tanı için prostat manyetik rezonans görüntüleme (MRG) yapılmasını önermektedir. Prostat MRG incelemenin standartlara uygun şekilde yapılması ve değerlendirilmesini sağlamak amacıyla prostat görüntüleme değerlendirme ve skorlama sistemi (PI-RADS) yayınlanmıştır. PI-RADS’ın getirdiği tüm standardizasyon çabalarına rağmen gözden kaçan kanser oranı %30, hatalı kanser tanısı ise %50’ye varabilmektedir. Son yıllarda Prostat MRG’nin derin öğrenme ve makine öğrenmesi kullanılarak insan hatasından bağımsız ve objektif olarak değerlendirilmesi üzerine çalışmalar ortaya konmuştur. Ne yazık ki klinik kullanıma girebilecek yeterli başarı henüz sağlanamamıştır. Yapay zekanın bu alanda karşılaştığı en büyük problem, MRG’deki sinyal değerlerinin rölatif olmasıdır. Öyle ki aynı hastaya ait farklı cihazlar ile çekilmiş MR görüntülerinde, aynı dokudan elde edilen sinyal değerleri çok farklı olabilmektedir. Bu durum görüntü matrisi üzerine çalışan derin öğrenme ve makine öğrenmesi modellerinin performansını düşürmekte ve tekrar edilebilirliklerini sekteye uğratmaktadır.
MRG’nin sübjektifliğini ortadan kaldırmak için kantitatif MR haritaları icat edilmiştir. Bu haritalar dokuların sinyal değerini objektif olarak ortaya koyabilir ve dokulara ait patolojileri objektif olarak ölçümlemeye imkân verir. Kantitatif MR haritaların başarısı kalp, beyin ve over patolojilerinde gösterilse de prostat konusundaki deneyim sınırlıdır.
Güncel pratikte kantitatif haritaların değerlendirilmesi hekim tarafından belirlenen alanlardan ortalama sinyal değerleri ölçülerek yapılmaktadır ve hataya açıktır. Ayrıca literatürdeki çalışmalarda makine öğrenmesi sadece magnitüde (insan gözü için tanısal veri) rekonstrüksiyon görüntüler üzerinde uygulanmıştır. Oysa MR K-uzayında (çekim verisinin toplandığı alan) veri çok daha zengin bilgi içermektedir. Bu bilginin örüntüleri saptamadaki becerisi düşünüldüğünde derin öğrenme ile irdelenmesi önemli bir araştırma konusudur.
Bu proje kapsamında prostat operasyonu olacak hastalarda sentetik kantitatif prostat MR çekimleri yapılacak ve görüntüler dijitalize tam kesit patoloji verisi ile özgün çakıştırma mimarisi kullanılarak eşlenecektir. Kantitatif haritalarda lezyon saptayacak ve bölütleyecek görsel dönüştürücü kullanan simetrik kodlayıcı-kod çözücü model ortaya konacaktır. Bu modelin tanısal becerisi dokunun iç yapısına göre koşullandırılmış derin eğiticili kayıp fonksiyonu ile güçlendirilecektir. Ayrıca K-uzay verisi üzerinde çalışan öz-kodlayıcı & evrişimsel sinir ağı ile “K-uzay öznitelik” vektörleri oluşturulacaktır. K-uzay öznitelikleri, derin öğrenme ve yapay doku analiz öznitelik vektörleri birleştirilerek prostat kanserini objektif ve yüksek doğruluk ile ortaya koyabilecek bir biyobelirteç yani “Radiomics imzası” elde edilecektir.
Projenin Özgün Değeri
1-Prostat kantitatif haritalarında makine öğrenmesi ile kanser tespitinin araştırılacağı öncül proje: Sadece uluslararası referans merkezlerde araştırılan kantitatif prostat MR inceleme bir adım öteye taşınacak, kantitatif haritalardaki zengin bilgi, en güncel makine ve derin öğrenme yöntemleri ile açığa çıkarılacak, prostat kanserinin değerlendirilmesi için kullanıma sunulacaktır.
2- Derin Öğrenme kullanan özgün çakıştırma mimarisi: Derin öğrenme yöntemlerini temel alan özgün çakıştırma mimarisi geliştirilerek dijital patoloji ve MR görüntüleri çakıştırılacaktır.
3- K-uzay verisi ilk kez doğrudan kanser tahminlemede kullanılacaktır: Derin öğrenme ile K-uzay verisinde kanseri öngörebilecek belirteç araştırılacaktır.
4- Yapısal benzerliği göz önüne alan, görsel dönüştürücü kullanan bölütleme modeli: Bölütlemede geometrinin yanısıra doku örüntüsüne önem veren kayıp fonksiyonu kullanan, görsel dönüştürücü-evrişim üniteleri içeren özgün derin öğrenme modeli geliştirilecektir.