Hematolojik ve histopatolojik tanı süreçlerinde wsı görüntülerinin analizi: u-net, stardıst, SAM2 ve hibrit tabanlı segmentasyon ve transformer destekli sınıflandırma
Analysis of wsi images in hematological and histopathological diagnostic processes: u-net, stardist, SAM2 and hybrid-based segmentation with transformer-supported classification
- Tez No: 1006415
- Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijital patoloji ve hematoloji alanlarında, tüm slayt görüntülerinin (Whole Slide Images, WSI) otomatik analizi; hücre yoğunluğu, morfolojik çeşitlilik, doku heterojenliği ve düşük kontrast gibi faktörler nedeniyle hâlen önemli teknik zorluklar içermektedir. Bu zorluklar, özellikle tekil mimarilere dayalı derin öğrenme modellerinin genelleme kabiliyetini sınırlamakta ve klinik güvenilirliğini azaltmaktadır. Bu doktora tezinde, söz konusu sınırlamaları aşmak amacıyla hematolojik ve histopatolojik görüntüler üzerinde tespit, segmentasyon ve sınıflandırma aşamalarını bütünleşik biçimde ele alan özgün ve çok aşamalı bir hibrit derin öğrenme mimarisi önerilmiştir. Önerilen yaklaşım, YOLOv11 tabanlı nesne tespiti, StarDist tabanlı geometrik segmentasyon ve Segment Anything Model 2 (SAM2) tabanlı bağlamsal sınır iyileştirme bileşenlerinden oluşan bir iş akışına sahiptir. Bu yapı sayesinde hücre ve çekirdek sınırları yüksek hassasiyetle çıkarılmakta, elde edilen segmentasyon çıktıları ResNet-50 ve Vision Transformer (ViT) tabanlı sınıflandırıcılar ile analiz edilerek tanısal sınıflandırma gerçekleştirilmektedir. Çalışma kapsamında biri özgün (Dicle Üniversitesi Hematoloji veri seti) ve üçü açık erişimli (CAMELYON, MoNuSeg ve Raabin-WBC) olmak üzere toplam dört farklı veri seti kullanılmıştır. Böylece hem hematolojik (blast, nötrofil, lenfosit, lenfoblast) hem de histopatolojik (metastatik tümör, epitel, makrofaj, çekirdek) yapılar üzerinde kapsamlı bir değerlendirme yapılmıştır. Deneysel sonuçlar, önerilen hibrit mimarinin U-Net, StarDist ve SAM2 gibi tekil segmentasyon yöntemlerine kıyasla daha yüksek Dice, IoU ve sınır doğruluğu sağladığını ortaya koymuştur. Özellikle yoğun hücre kümeleri, bitişik çekirdek yapıları ve düzensiz tümör sınırları gibi zorlayıcı senaryolarda hibrit yaklaşımın üstünlüğü belirginleşmiştir. Segmentasyon kalitesindeki bu artış, sınıflandırma aşamasında da anlamlı performans kazanımları sağlamış; Dicle Üniversitesi veri setinde %99'a yaklaşan doğruluk ve 0.97 üzeri AUC değerleri elde edilmiştir. CAMELYON ve MoNuSeg veri setlerinde ise literatürle rekabet edebilir ve dengeli sonuçlar raporlanmıştır. Veri setleri arası karşılaştırmalı analizler, önerilen yöntemin farklı biyolojik ölçekler, görüntüleme koşulları ve morfolojik karmaşıklık düzeylerinde güçlü bir genelleme yeteneğine sahip olduğunu göstermektedir. Gerçekleştirilen hata analizleri, modelin yoğun hücre bölgeleri ve düşük kontrastlı alanlarda dahi tutarlı ve öngörülebilir davranış sergilediğini ortaya koymuştur. Sonuç olarak bu tez, tespit–segmentasyon–sınıflandırma zincirini bütünleşik biçimde ele alan hibrit ve çok aşamalı bir derin öğrenme mimarisi sunarak dijital patoloji ve hematoloji alanlarına özgün, güçlü ve klinik açıdan anlamlı bir katkı sağlamaktadır.
Özet (Çeviri)
In digital pathology and hematology, the automatic analysis of whole slide images (WSIs) remains a challenging task due to high cellular density, morphological variability, tissue heterogeneity, and low contrast. These factors limit the generalization capability and clinical reliability of conventional single-architecture deep learning models. This doctoral dissertation proposes an original multi-stage hybrid deep learning framework that integrates detection, segmentation, and classification into a unified pipeline for both hematological and histopathological image analysis. The proposed approach combines YOLOv11-based object detection, StarDist-based geometric segmentation, and SAM2-based contextual boundary refinement within a single workflow. This architecture enables precise delineation of cell and nucleus boundaries and incorporates the segmentation outputs into the classification stage using ResNet-50 and Vision Transformer (ViT) models. The framework is evaluated on four datasets, including one proprietary dataset from Dicle University and three public benchmarks (CAMELYON, MoNuSeg, and Raabin-WBC), covering both hematological (blast, neutrophil, lymphocyte, lymphoblast) and histopathological (metastatic tumor, epithelial, macrophage, nuclei) structures. Experimental results show that the proposed hybrid architecture consistently outperforms individual segmentation models such as U-Net, StarDist, and SAM2 in terms of Dice coefficient, Intersection over Union (IoU), and boundary accuracy, particularly in dense cell clusters, overlapping nuclei, and irregular tumor boundaries. These improvements translate into enhanced classification performance, achieving accuracies approaching 99% and AUC values above 0.97 on the Dicle University dataset, while maintaining competitive and robust performance on the CAMELYON and MoNuSeg datasets. Cross-dataset analyses demonstrate strong generalization across varying biological scales, imaging conditions, and morphological complexities. Although dense cellular regions and low-contrast areas remain challenging, the model exhibits consistent and predictable behavior, supporting its interpretability and clinical reliability. Overall, this thesis introduces an integrated hybrid deep learning framework for detection, segmentation, and classification, providing a robust, generalizable, and clinically meaningful solution for automated biomedical image analysis in digital pathology and hematology.
Benzer Tezler
- COVID-19'un akciğer kanseri tanı ve tedavi sürecine etkisi
The impact of COVID-19 on the diagnosis and treatment of lung cancer
ELVİN KARAHACIOĞLU MADRAN
Tıpta Uzmanlık
Türkçe
2025
Göğüs HastalıklarıRecep Tayyip Erdoğan ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
DOÇ. DR. SONGÜL ÖZYURT
- Gastroskopi yapılan hastalarda Helicobacter pyloriprevelansı, klinik ve histopatolojik bulgular ile ilişkisi
Prevalence of Helicobacter pylori in patients undergoing gastroscopy and its relationship with clinical and histopathological findings
FEYZA YILMAZ KOL
Tıpta Uzmanlık
Türkçe
2025
GastroenterolojiMarmara Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. OSMAN CAVİT ÖZDOĞAN
- Myeloproliferatif neoplazilerde görülebilecek genetik mutasyonların araştırılması
Analysis of genetic mutations in myeloproliferative neoplasms
ECE ÖZOĞUL
Tıpta Uzmanlık
Türkçe
2018
PatolojiHacettepe ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
PROF. DR. AYŞEGÜL ÜNER
- Myeloid neoplazilerin morfolojik, fenotipik ve moleküler özellikleriyle 2022 WHO ve ICC sınıflamalarına göre geriye dönük yeniden değerlendirilmesi, klinik prognostik verilerle karşılaştırılması
Retrospective reassessment of myeloid neoplasms according to the 2022 WHO and ICC classifications, comparing with clinical prognostic data, based on morphological, phenotypic, and molecular characteristics
ELİF KARDELEN ÇAĞDAŞ
Tıpta Uzmanlık
Türkçe
2024
PatolojiAnkara ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
PROF. DR. IŞINSU KUZU
- Piyoderma gangrenozum tanılı hastaların klinik özelliklerinin ve uzun dönem takip sonuçlarının değerlendirilmesi
Evaluation of clinical characteristics and long-term follow-up outcomes in patients diagnosed with pyoderma gangrenosum
SEVGİ KUZUGÜDENLİ YILMAZ
Tıpta Uzmanlık
Türkçe
2025
Dermatolojiİstanbul ÜniversitesiDeri ve Zührevi Hastalıklar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUĞBA ATCI