Histopathological image classification with the bag of words model

Abstract

En yaygın kanser türlerinden biri olan kolon kanserinin tedavisi erken tanı ile mümkün olabilmektedir. Günümüzde kanser tanısında kolonoskopi, sigmoidoskopi ve stool testi gibi görüntüleme yöntemleri kullanılmakta ise de, en yaygın kullanılan ve geçerli yöntem, dokulardan biyopsi işlemi ile doku kesitlerinin alınması ve bu kesitlerin mikroskop altında incelenmesidir. Ancak bu inceleme, görsel yorumlamaya dayalı oldugundan dolayı, patologlar arasındaöznel kararların verilmesine neden olabilmekte ve tanı farklılıklarına yol açabilmektedir. Patologlar arasındaki kararlardaki degişkenligi azaltma ihtiyacı, bilgisayar yardımı ile biyopsi görüntülerï uzerindeöznitelik çıkarımı ve nesnel kararlar verilmesini saglayacak algoritmaların geliştirilmesi için çalışmalara yol açmıştır. Bu bildiride, biyopsi görüntü gösterimi içinögreticisiz olarak belirlenen görüntü bölgelerinin birlikteligini modelleyen histogramların tanımlanması ve bunlarüzerinde çıkarılacaköznitelikler ile kolon doku görüntülerinin otomatik sınıflandırılması için bir yöntemönerilmiştir. Literatürde kelime histogramı (bag-of-words) modeli olarak da bilinen bu yöntem ile, kolon doku görüntüleriüzerinde yaptıgımız deneysel çalışmalar,önerilen bu yöntemin benzer yöntemlerle karşılaştırıldıgında daha başarılı sonuçlar verdigini göstermiştir. Bununla beraber,öznitelik tanımlamasında piksel renk yogunluk degerlerini kullanan yöntemimizin, farklıözniteliklerin beraber kullanılmasıyla daha iyi sonuçlar verme potansiyeli de bulunmaktadır. ABSTRACTColon cancer, which is one of the most common cancer type, could be cured with its early diagnosis. In the current practice of medicine, there are many screening techniques such as colonoscopy, sigmoidoscopy, and stool test, however the most effective and most widely used method for cancer diagnosis is to take tissue sections with biopsy and examine them under a microscope. As this examination is based on visual interpretation, it may lead to subjective decisions and diagnostic differences among pathologists. The need of reducing inter-variability in cancer diagnosis has led to studies for extraction of features from biopsy images and development of algorithms that give objective results. In this paper, we propose a method for the automated classification of a colon tissue image with the features extracted from a histogram that models the existence of image regions determined in an unsupervised way. Experiments on colon tissue images show that the proposed method leads to more successful results compared to its counterparts. Moreover, the proposed method, which uses color intensities for feature extraction, has the potential of giving better results with the use of additional features.

Artificial intelligence and machine learning for early detection and diagnosis of colorectal cancer in sub-Saharan Africa

“…52 Using whole slide imaging data from the Cancer Genome Atlas and companion clinical data for these specimens, we assessed the prognostic relevance of these histological discriminants 53 54. Histopathology image-derived measurements, such as cell morphologies, spatial patterns of cellular organisation, in combination with a bag-of-words (BoW) approach53 55 was used to identify tissue subregions that have visually distinct properties (eg, nuclear morphology, patterns of spatial organisation) and were associated with time-to-malignant transformation. The BoW approach is akin to clustering image subregions (ie, patches) derived from the whole slide image of the tissue.…”