“Görmek inanmaktır.” hayatta çok duyduğumuz ve kullandığımız bir söz dizisi olması yanında bilimde de karşılığı olan bir kavramdır. Bu nedenle, mikroskoplar, gözle göremediklerimizi görmemizi sağladıkları için vazgeçilmez araçlardır. Temel araştırmalarda hücrelerin işlevleri hakkında bilgi almaktan patolojide hastalığın tanımlanmasına kadar çok geniş bir yelpazede mikroskoplardan alınan görüntüler kullanılmaktadır. Mikroskop teknolojisindeki gelişmeleri takiben alınan görüntü sayısındaki artışa paralel olarak görüntülerin analizinin de hızlanması ihtiyacı doğmuştur. Diğer taraftan görüntülerden elde etmeyi beklediğimiz veri miktarı da artmıştır. Dolayısıyla, çok sayıda görüntünün uzman kişiler tarafından doğru, hızlı ve detaylı analiz edilebilmesi bir darboğaz haline gelmiştir. Son yıllarda, görüntü analizinin “yapay zekâ” kullanılarak otomatikleştirilmesi bu darboğazı aşmak için öne çıkmaktadır. Bu cümlede geçen yapay zekâ terimi çok dar bir işe odaklanmış ve sadece onu öğrenmiş bir zekâ olduğu için insan zekâsı gibi genel problemleri çözebilecek bir akıl ile karıştırılmamalıdır. Bu nedenle ben daha çok Makine öğrenmesi terimini kullanacağım.
Makine öğrenmesi tabanlı görüntü analizi algoritmaları hazır görüntü verileri üzerinde bir örüntü, bir desen tanımlayıp bunu kullanarak yeni görüntülerde bu örüntüye uygun tahminler yapan programlardır. Burada önemli olan noktalardan biri, ki bu programları zeki yapan nokta da budur, klasik bilgisayar programlarının aksine tanımlayıcı parametreler programcı tarafından girilmemektedir. Makine öğrenmesi tabanlı programlar ise bir temel ağın hazırlanmış görüntüler ile eğitilmesi ile öğrenirler. Bu açıdan programcının parametre girdiği programlara göre daha esnektirler ve değişen koşullara adapte edilmeleri nispeten kolaydır. Bu nedenle de biyoloji gibi genellemelerin zor olduğu konularda görüntü analizinde Makine öğrenmesi tabanlı programlar tercih edilirler. Bu programlar görüntü analizinde temelde iki konuda öne çıkarlar. Birincisi görüntü analizinin hızlandırılması veya iş yükünün uzmanlardan alınması ile zaman kazanılmasıdır. İkincisi ise bizlerin bakarak tanımlayamadığı özelliklerin, örüntülerin, bağlantıların bulunmasıdır.
Konuya, literatürde sıkça karşımıza çıkan konulardan biri olan hücre çekirdeğinin bulunması ve analizi örneğini kullanarak daha detaylı bakabiliriz. Yuvarlak veya elips şeklinde olması ve yaklaşık boyutlarının belli olması ile hücre çekirdeği tanımlaması kolay bir obje gibi görünmektedir (Şekil). Şekle detaylı baktığımızda bazı çekirdeklerin birbirlerine yapışık olduklarını, bazı çekirdeklerin soluk, bazılarının parlak olduklarını, çekirdeklerin şekillerinin ve boyutlarının ilk izlenimimizden daha çeşitli olduğunu fark ediyoruz. Yani aslında bir insan için bile zor olabilecek bir analiz. Bir de bu analizi yüzlerce görüntüde yapmanız gerektiğini düşünün! İşte Makine öğrenmesi tabanlı programlar bu noktada hem hızları hem de yorulmak bilmemeleri ile mikroskobik görüntü analizinin vazgeçilmez öğeleri olmuşlardır.
Tipik bir gözetimli Makine öğrenmesi iş akışında önceden çekirdekleri işaretlenmiş görüntüler programa yüklenerek programın öğrenmesi sağlanır. Bu aşamada ne kadar çok görüntü ve ne kadar çeşitli görüntü verilirse bir sonraki aşamada o kadar başarılı sonuçlar elde edilir. Eğitimi tamamlanmış program, yeni görüntüler üstünde hücre çekirdeği bölgelerini işaretleyip bu bölgelerin çekirdek olduğundan hangi oranda emin olduğunun çıktısını verir. Biz de çekirdekleri sayarak, o an da bulunan hücre sayısını bulabiliriz ve zamansal bir takiple hücre sağkalımı hakkında fikir sahibi olabiliriz. Hızlı hareket eden hücreleri, bir videonun her karesinde çekirdekleri bulup bir önceki kare ile ilişkilendirerek, mesela bir metastaz modelinde, hücrelerin hareketi hakkında bilgi alabiliriz. Programın hücre çekirdeklerinin şekilleri arasındaki farkı öğrenmesi için bölünen ve bölünmeyen hücrelerin çekirdeklerini işaretleyip gözetimli olarak eğitebileceğimiz gibi programa bölünen hücre çekirdeği bulunan veya bulunmayan görüntüler vererek gözetimsiz olarak da eğitim yapabiliriz. Buna benzer bir eğitim ile program, ölen veya başkalaşan çekirdekleri de ayırmayı öğrenebilir. Program bir kere hücre ölüm oranını bulmaya başladı mı, hastalıklı hücreleri öldüren binlerce kimyasalı hızlı bir şekilde insan eli değmeden tarayıp bir ilaç bulma şansımız olabilir. Bu örnekler yukarıda bahsettiğimiz görüntü analizinin hızlandırılması ve iş yükünün uzmanlardan alınması ile zaman kazanılmasına örnek verilebilirler.
Makine öğrenmesi tabanlı programları, hücreleri tanımlamak, hücre tiplerini birbirinden ayırt etmek ve hücrelerin organelleri gibi alt bölümlerini bulmak için kullanabiliriz. Yakın zamanda makine öğrenmesini tek bir hücre değil birden çok hücrenin birlikte oluşturduğu bir yapı olan ve multipl skleroz hastalığında önemli olan miyelini bulmak için kullandık. Bu sayede günler alan bir analizi dakikalara indirerek MS ilacı taraması yapılmasının önünü açılabilir. Yine başka bir durumda ise Parkinson hastaları ve sağlıklı bireylerden alınmış hücrelerden türetilmiş sinir hücreleri görüntülerini programa verip bizim fark edemediğimiz ayrıntıları bulmasını bekleyebiliriz. Program farkı görmeyi öğrendiğinde binlerce kimyasalı hastalardan alınan hücreler üzerinde test ederek normalden ayırt edilemez hale getireni, yani bu hastalığa karşı bir ilacı bulabiliriz. Burada önemli bir nokta programların birer kara kutu olarak çalıştıklarıdır. Yani program Parkinson hastaları ve sağlıklı hücreleri ayırt etse de biz onu neye bakarak yaptığını bilemeyiz. Dolayısıyla Makine öğrenmesini kullanırken çeşitli kaynaklar ve çok sayıda görüntü kullanmaya ve görüntülerde yapabildiğimiz tüm kontrolleri yapmaya dikkat etmeliyiz.
Siz de kendi mikroskobik görüntülerinizin analizinde Makine öğrenmesini kullanmak isterseniz önünüzde birkaç seçenek var. Açık veya kapalı kaynak kodlu görüntü analiz programlarına ücretsiz ulaşabilirsiniz. Bunlar arasında ImageJ tabanlı DeepImageJ ve ImageJ ile entegre edilebilen KNIME öne çıkanlardır. Mikroskop üreticileri de kendi mikroskoplarından alınan görüntülerin işlenmesi için Makine öğrenmesi tabanlı analiz programları sunuyorlar. TruAI Technology ve ZEN Intellesis bunlar arasında ilk akla gelenler. Bu tarz programları kullanarak nispeten kolay bir şekilde, birçok hazır analiz modülünü sürükle-taşı ile birleştirerek bir analiz iş akışı oluşturabilirsiniz. Ayrıca bu programlarda bulunan modüllerin bazıları çekirdek bulma gibi çok sık kullanılan analizler için önceden eğitilmiş geliyorlar. Kendi verinizi kısa bir eğitim ile hızlıca analize başlayabilirsiniz. Geliştirdiğiniz analiz iş akışlarında basit düzeyde de olsa kendi kodlarınızı da ekleyerek analizi daha ileri seviyeye taşıyabilirsiniz. Alternatif olarak, bu konularda uzmanlaşmış gruplar ile ortak çalışma başlatabilirsiniz. Ülkemizde mühendislik fakültelerinde görüntü işleme ve sinyal işleme üzerine uzmanlaşmış araştırmacılar arasından hangisi ile konuştuysam biyoloji ve sağlık alanlarından görüntüler ile çalışma konusunda istekliydiler. Bu ilginin bir göstergesi olarak Makine öğrenmesinin görüntü analizinde popülerlik kazanmasının göstergesi olarak TÜBİTAK akademik yayınları arasında bulunan Turkish Journal Of Electrical Engineering & Computer Sciences kapsamında derin öğrenme-tabanlı biyomedikal veri analizi üzerine bir özel sayı hazırlanmaktadır.
Kaynaklar
Akst, J., 2019. Artificial Intelligence Sees More in Microscopy than Humans do. The Scientist. https://www. the-scientist. com/features/artificial-intelligence-sees-more-in-microscopy-than-humans-do-65746. (Erişim tarihi: 8 Şubat 2021)
Andrew, M., Bhattiprolu, S., Butnaru, D. and Correa, J., 2017. The Usage of Modern Data Science in Segmentation and Classification: Machine Learning and Microscopy. Microscopy and Microanalysis, 23(S1), pp.156-157.
Caicedo, J.C., Goodman, A., Karhohs, K.W., Cimini, B.A., Ackerman, J., Haghighi, M., Heng, C., Becker, T., Doan, M., McQuin, C. and Rohban, M., 2019. Nucleus Segmentation Across Imaging Experiments: the 2018 Data Science Bowl. Nature methods, 16(12), pp.1247-1253.
Dietz, C., Rueden, C.T., Helfrich, S., Dobson, E.T., Horn, M., Eglinger, J., Evans III, E.L., McLean, D.T., Novitskaya, T., Ricke, W.A. and Sherer, N.M., 2020. Integration of the ImageJ Ecosystem in KNIME Analytics Platform. Frontiers in computer science, 2, p.8.
Gómez-de-Mariscal, E., García-López-de-Haro, C., Donati, L., Unser, M., Muñoz-Barrutia, A. and Sage, D., 2019. DeepImageJ: A User-Friendly Plugin to Run Deep Learning Models in ImageJ. bioRxiv, p.799270.
Manser, R., Elsässer, R. and Döring, V., 2018. ZEISS ZEN Intellesis: Machine Learning Approaches for Easy and Precise Image Segmentation.
Woerdemann, M., 2020. 5 Artificial Intelligence Lessons from a Year of Life Science Research. https://www.olympus-lifescience.com/en/discovery/5-lessons-on-artificial-intelligence-from-a-year-of-life-science-research/. (Erişim tarihi: 8 Şubat 2021)
Xing, F. and Yang, L., 2016. Machine Learning and its Application in Microscopic Image Analysis. In Machine Learning and Medical Imaging (pp. 97-127). Academic Press.
Yetiş, S.Ç., Çapar, A., Ekinci, D.A., Ayten, U.E., Kerman, B.E. and Töreyin, B.U., 2020. Myelin detection in Fluorescence Microscopy Images Using Machine Learning. Journal of Neuroscience Methods, 346, p.108946.
Yazının PDF versiyonuna ulaşmak için tıklayınız.
SD (Sağlık Düşüncesi ve Tıp Kültürü) Dergisi Mart, Nisan, Mayıs 2021 tarihli 58. sayıda sayfa 70-71’de yayımlanmıştır.
