Histopatolojide renk sorunu: Macenko normalizasyonu

Kanser tespiti projemde ilk fark ettiğim şey, veri setindeki görüntülerin renklerinin birbirinden çok farklı olmasıydı. Aynı doku tipi bir görüntüde koyu mor, diğerinde soluk pembe görünebiliyordu. Bunun sebebi doku değil, boyama süreci.

Neden önemli?

Histopatoloji örnekleri genelde H&E ile boyanır:

• Hematoksilen hücre çekirdeklerini mor-mavi boyar.
• Eozin sitoplazma ve bağ dokusunu pembe boyar.

Boya markası, boyama süresi, kesit kalınlığı ve tarayıcı cihazı renk tonunu değiştirir. Model bu farkı öğrenirse, eğitim verisinde iyi sonuç alıp başka bir laboratuvarın görüntülerinde başarısız olur.

Macenko yöntemi nasıl çalışır?

Macenko yönteminin fikri basit: her görüntüdeki hematoksilen ve eozin "boya vektörlerini" bulmak, sonra görüntüyü ortak bir referansa göre yeniden boyamak.

1. Optik yoğunluğa çevir: RGB değerleri optik yoğunluğa dönüştürülür: OD = −log(I / I₀). Bu uzayda boyaların etkisi toplanabilir hale gelir.
2. Arka planı at: Neredeyse beyaz (düşük OD'li) pikseller doku değil boşluktur, hesaba katılmaz.
3. Düzlemi bul: Kalan pikseller üzerinde tekil değer ayrışımı (SVD) yapılır. En büyük iki bileşen, boyaların yayıldığı düzlemi verir.
4. Boya vektörlerini çıkar: Pikseller bu düzleme izdüşürülür. Açı dağılımının uç noktaları (ör. 1. ve 99. yüzdelikler) hematoksilen ve eozin yönlerini verir.
5. Yoğunlukları normalize et: Her pikselin boya yoğunlukları hesaplanır ve referans görüntünün yoğunluk aralığına ölçeklenir.
6. Geri dönüştür: Referans boya vektörleriyle yeniden RGB görüntü oluşturulur.

Sonuçta tüm görüntüler aynı "boyama protokolünden" çıkmış gibi görünür, ama dokunun yapısı korunur.

Pratik notlar

• Referans görüntü seçimi önemli. Temiz, iyi boyanmış, hem çekirdek hem stroma içeren bir görüntü seçin.
• Çok az doku içeren (çoğu beyaz) karelerde vektör tahmini kararsız olabilir. Bu kareleri önceden elemek iyi bir fikir.
• Normalizasyonu eğitimden önce, bir kez yapıp sonuçları kaydetmek eğitim süresini ciddi kısaltır.
• Normalizasyon, renk tabanlı veri artırmanın (color augmentation) alternatifi değil, tamamlayıcısıdır.

Projede etkisi

Normalize edilmiş görüntülerle ResNet-50 ve EfficientNet-B3 modellerini eğittim ve çıktılarını Softmax tabanlı topluluk öğrenmesiyle birleştirdim. Modellerin renk yerine dokunun yapısına odaklanması, sınıflandırmayı daha tutarlı hale getirdi. Bu proje bana, bir derin öğrenme projesinde model seçiminden önce veriyi anlamak gerektiğini öğretti.