Multi-approached histopathology images classification
Çoklu yaklaşimli histopatoloji görüntülerinin siniflandirilmasi
- Tez No: 1000802
- Danışmanlar: PROF. DR. OĞUZ BAYAT
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Histolojik görüntüler, özellikle kadınlar için önemli bir sağlık sorunu olmaya devam eden meme kanseri ve dünya genelindeki insanlar için kolon ve akciğer kanseri olmak üzere hastalıkların teşhisinde önemli bir rol oynar. Bilgisayar destekli teşhis araçları, hekimlerin erken teşhis ve tedavi planlamasında önemli ölçüde yardımcı olarak ölüm oranlarının azaltılmasına yardımcı olur. Derin öğrenmeye dayalı Evrişimli Sinir Ağları (CNN'ler), iyi huylu meme kanserlerini kötü huylu meme kanserlerinden ayırmada etkili olduğunu kanıtlamış olsa da, küçük veri kümelerindeki değişkenlik ve özellik çeşitliliğinin azlığı, CNN'lerden uzak durmaya ve aşırı uyum örneklerine ve ayrımcılığın azalmasına neden olabilir. Derin öğrenme, hiperparametre optimizasyonuna karşı çok hassastır ve bu nedenle öğrenme hiyerarşileri, ağın veri türleri arasındaki ilişki inceliğini anlaması için bir çözüm olabilir. Bu bağlamda, bu tez, Çok Düzeyli Dikkat Geliştirilmiş Darboğaz Sinir Ağına dayalı Hiyerarşik Uyarlanabilir Füzyon olan HAFMAB-Net'i tanıtmıştır. Ağ, hem küresel hem de uzamsal özellikleri çıkarmak için dikkat mekanizmalarına sahip gelişmiş bir Darboğaz mimarisini kullanan iki yoldan oluşur. Anahtar uzamsal bölgelere odaklanarak konumsal özelliklerin temsilini artırmak ve toplanan özelliklerin ayırt edici gücünü geliştirmek için Derin Uzamsal Dikkat Toplayıcı Modülü içerir. Ek olarak, değiştirilmiş bir Uyarlanabilir Füzyon Modülü, geliştirilmiş küresel ve güçlendirilmiş uzamsal özellikleri kapsamlı ve zenginleştirilmiş bir özellik temsilinde birleştirir ve bu daha sonra tüm görüntüye dayalı kanser sınıflandırması için kullanılır. Histopatolojik görüntü, tek bir görüntü içinde birden fazla kanser türü içerebilir; bu sorunu ele almak için, Yama düzeyinde meme histopatolojisi görüntülerinin tahmini için Geliştirilmiş Kalıntı Bloğuna dayalı Çok Ölçekli Dikkat dönüşümü olan yeni bir MATERB Ağı önerdik. Önerilen çerçeve, doku içindeki morfolojik değişkenlikle başa çıkmada modelin öğrenme sürecini geliştirmek için daha tamamlayıcı küresel ve yerel özellikleri yakalamak üzere çok ölçekli özellik çıkarma işlemlerini kullanır. Ek olarak, model, öz-dikkate dayalı Dikkat dönüştürme tekniklerini kullanır ve çapraz dikkat, görüntünün pikselleri arasındaki ilişkiyi öğrenmek ve dikkat ağırlıklarını hesaplamada anlamlı ayrıntılara ve bilgilere odaklanmak için kullanılır. Öz-dikkat, çoklu büyütme faktörlü alt görüntülere dayalı olarak çıkarılan özellikler arasındaki ilişkiyi yakalayıp öğrenerek, tam görüntülerden çıkarılan özelliklerin yanı sıra çapraz dikkati besleyen çeşitli düzeylerde ayrıntı ve bilgi sağlar. Çapraz dikkat, her etiketin genel bağlamı ve ayrıntılarıyla bütünleşik, anlamlı ve bağlam farkında bir temsil sağlamak için çalışır. Dahası, önerilen ağ, tüm yanlış sınıflandırılmış örnekleri eşit şekilde ele alan ve modelin kolay örnekleri ezberlemesini önleyerek aşırı uyumu azaltan Dengeli Odak Kaybı işlevini kullanmıştır.
Özet (Çeviri)
Histological images play a crucial role in diagnosing diseases, especially breast cancer, which remains a major health concern for women, and colon and lung for people worldwide. Computer-aided diagnosis tools significantly assist physicians in early detection and treatment planning, helping reduce mortality rates. Although, Convolutional neural networks (CNNs) based on deep learning have proven effective in distinguishing benign from malignant breast cancers, the scarcity of variability and feature diversity in small datasets would steer clear of CNNs and result in overfitting instances, as well as diminished discrimination. Deep learning is very sensitive to the hyperparameter optimization, and for the reason, the learning hierarchies could be the solution for network's comprehension of the relationship subtlety between the of the data types. In this context, this dissertation introduced a HAFMAB-Net: Hierarchical Adaptive Fusion based on Multilevel Attention-Enhanced Bottleneck Neural Network. The network comprises two pathways utilizing an enhanced Bottleneck architecture with attention mechanisms to extract both global and spatial features. It incorporates a Deeper Spatial Attention Aggregator Module to boost the representation of locative features by focusing on key spatial regions, improving the discriminative power of aggregated features. Additionally, a modified Adaptive Fusion Module combines the enhanced global and boosted spatial features into a comprehensive and enriched feature representation, which is subsequently used for cancer classification based on whole image. The histopathological image could include more than one type cancer inside one image, to address this issue, we proposed a novel MATERB Net: Multiscale Attention transformation based on Enhanced Residual Block for Patch-level breast histopathology images prediction. The proposed framework employs extraction feature processes based on multiscale to capture more complementary global and local characteristics to enhance the learning process of the model in coping with morphological variability within the tissue. In Additional the model uses Attention transformation techniques based on self-attention and cross-attention is used to learn the relationship between the pixels of the image and focus on the meaningful details and information in calculating the attention weights. Self-attention works on capturing and learning the relation between the extracted features based on multi-magnification factors sub-images, providing various levels of details and information, which feed into the cross-attention beside the extracted features from full images. Cross-attention works to provide meaningful and context-aware representation integrated with the global context and details of each label. Moreover, the proposed net used a Balanced Focal Loss function, addressing the treating all misclassified samples equally, and preventing the model from memorizing easy samples to reduce overfitting.
Benzer Tezler
- Computer aided detection of cancer using histopathology images
Histopatoloji görüntülerinden bilgisayar destekli kanser tespiti
SENA BÜŞRA YENGEÇ TAŞDEMİR
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
DOÇ. DR. ZAFER AYDIN
- Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Utilizing explainable artificial intelligence approaches to transformer based models in medical image analysis
DELAL ŞEKER
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULNASIR YILDIZ
- Yapay zekâ yöntemleri kullanılarak tıbbi görüntülerde hastalık tespiti
Disease detection in medical images using AI methods
EJDER ERTÜRKMEN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ÖTER
- Çekişmeli üretici ağlar ile gerçekçi histopatolojik görüntü üretimi ve evre tespiti
Realistic histopathology image generation and stage detection with generative adversarial networks
REYHAN DEDE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN BİLGİN
- Sepsis oluşturulan ratlarda eritropoetin ve IgM-enrich immünglobulin tedavisi sonrası serumda TNF-α, IL-1β seviyeleri ile gastrointestinal sistem ve akciğer histopatolojisinin incelenmesi
Enrich IgM immunoglobulin and erythropoietin therapy in septic rats after serum TNF-α, IL-1β levels and analysis of gastrointestinal and lung histopathology
İREM ATEŞ
Tıpta Uzmanlık
Türkçe
2013
Anestezi ve ReanimasyonAtatürk ÜniversitesiAnesteziyoloji ve Reanimasyon Ana Bilim Dalı
PROF. DR. NAZIM DOĞAN