Tam slayt dijital patoloji görüntülerinin sınıflandırılması için sinir mimarisi arama yöntemlerinin kullanılması
Neural architecture search for whole slide digital pathology image classification
- Tez No: 1023353
- Danışmanlar: DR. ÖĞR. ÜYESİ ZEKİ KUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Dijital patoloji, Tam Slayt Görüntüsü, Sinir Mimarisi Arama, Diferansiyel evrim, Hafif CNN, Digital pathology, Whole Slide Image, Neural Architecture Search, Differential evolution, Lightweight CNN
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fatih Sultan Mehmet Vakıf Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijital patoloji, Tam Slayt Görüntülerinin (Whole Slide Images, WSI) bilgisayar destekli analizini mümkün kılmaktadır; ancak WSI'ların gigapiksel boyutu genellikle yama tabanlı işlemeyi gerektirmekte ve bu durum yama seviyesinde hem doğru hem de verimli çalışan mimarilere olan ihtiyacı artırmaktadır. Bu çalışmada, dijital patoloji WSI iş akışlarına uyarlanmış evrimsel bir Sinir Mimarisi Arama (Neural Architecture Search, NAS) çerçevesi önerilmektedir. Önceki NAS çalışmamızdan yola çıkarak, ayırt edici kapasiteyi korurken hesaplama yükünü azaltmak amacıyla standart evrişim operasyonları yerine 2B derinlik-bazlı ayrılabilir (depth-wise separable) evrişim operasyonları kullanılarak operasyon kümesi yeniden tasarlanmıştır. Ayrıca, keşif (exploration) ve sömürü (exploitation) dengesini daha iyi kurmak ve erken yakınsama/plato problemlerini azaltmak amacıyla, kaotik tabanlı ve karşıtlık temelli (opposition-based) başlatmayı adaptif bir mutasyon mekanizması ile birleştiren yeni bir arama stratejisi sunulmuştur. Keşfedilen modeller, ortak bir eğitim ve WSI düzeyinde değerlendirme protokolü altında EBHI, BCNB, TCGA ve SPIDER olmak üzere dört patoloji veri kümesi üzerinde değerlendirilmiştir. Önerilen yöntem, son derece kompakt ağlar (parametre boyutu 0.01 MB seviyesine kadar düşük) keşfetmekte ve güçlü CNN, dönüştürücü ve NAS tabanlı yöntemlere kıyasla rekabetçi hatta daha iyi doğruluk ve F1 skorları elde etmektedir. Özellikle, bulunan modeller, EBHI veri kümesinde ResNet-50'ye kıyasla yaklaşık 44 kat daha küçük boyutta olmasına rağmen ACC = 0.985 ve F1 = 0.986 değerlerine ulaşmaktadır. Ayrıca, en zorlu veri kümelerinden biri olan BCNB'de bile yöntem, model karmaşıklığını düşürerek, en iyi F1 = 0.488,REC = 0.389 sonuçları vermekte ve duyarlılık/F1 skorlarını iyileştirmektedir. Başka bir kıyaslama veri kümesi olan SPIDER'da ise modelimiz, yaklaşık 537 kat daha az parametre ile VGG-16 modeliyle eşdeğer performans göstermektedir (ACC = 0.850,F1 = 0.849). Ablasyon çalışmaları, mutasyonla ilgili iyileştirmelerin FLOPs veya parametre sayısında artış olmaksızın istatistiksel olarak anlamlı uygunluk (fitness) iyileşmeleri sağladığını (p < 0.05) göstermektedir.
Özet (Çeviri)
Digital pathology enables computer-assisted analysis of Whole Slide Images (WSIs), but the gigapixel scale of WSIs typically requires patch-based processing, creating a strong need for architectures that are both accurate and efficient at the patch level. In this work, we propose an evolutionary Neural Architecture Search (NAS) framework tailored to digital pathology WSI pipelines. Building on our previous NAS study, we redesign the operation set by replacing standard convolution operations with 2D depth-wise separable convolution operations to reduce computational burden while preserving discriminative capacity. We also introduce a new search strategy that combines chaos-driven and opposition-based initialization with an adaptive mutation mechanism to balance exploration and exploitation better and to mitigate premature convergence/plateau effects. The discovered models are evaluated on four pathology datasets, namely EBHI, BCNB, TCGA, and SPIDER, under a unified training and WSI-level evaluation protocol. The proposed method discovers extremely compact networks (as low as 0.01 MB in parameters) that achieve competitive-to-improved accuracy and F1 relative to strong CNN, transformer, and NAS baselines. In particular, the searched models reach up to ACC = 0.985 and F1 = 0.986 on EBHI while being approximately 44× smaller than ResNet-50. Moreover, even on BCNB, on the most challenging datasets, the method reduces model complexity while achieving the best F1 = 0.488 and REC = 0.389, and improves recall/F1 scores. On another benchmark dataset, SPIDER, our model matches a VGG-16 baseline (ACC = 0.850,F1 = 0.849) with approximately 537× fewer parameters. Ablation studies show that mutation-related modifications yield statistically significant fitness improvements (p < 0.05) without corresponding increases in FLOPs or parameters.
Benzer Tezler
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Deep learning for digital pathology
Dijital patoloji için derin öğrenme
CAN TAYLAN SARI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Histopatolojik görüntülerden deri hastalıklarının tespit edilmesi için yapay zekâ tabanlı yeni bir yaklaşım
A novel ai-based approach for detecting skin diseases from histopathological images
RECEP GÜLER
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEHRA KARAPINAR ŞENTÜRK
- Quantitative holographic microwave imaging with a simulated calibration measurement
Simülasyon ile elde edilen kalibrasyon ölçümleri üzerinden nicel mikrodalga holografi yöntemi
AHMET CANER GÜL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEMİH DOĞU
- Detection and classification of breast cancer in whole slide histopathology images using deep convolutional networks
Derin evrişimli ağlar ile tüm slayt histopatolojisi resimlerinde meme kanseri tesbiti ve sınıflandırılması
BARIŞ GEÇER
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY