Histopathological image classification using salient point patterns
Özellikli nokta modelleri kullanarak histopatolojik resimlerin sınıflandırılması
- Tez No: 285746
- Danışmanlar: YRD. DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2011
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Bölümü
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Son on yıl içinde, bilgisayar destekli teşhis sistemleri, patologların kanser tespiti için histopatolojik görüntüleri yorumlamasını artırmaya yardımcı olması yönüyle büyük bir önem kazanmıştır. Bu sistemler, kanser tanısı için mevcut histopatolojik doku muayenesi uygulamasında çok yaygın olan gözlemci-içi ve gözlemciler arası değişkenliği azaltmaya ve ortadan kaldırmaya yönelik çok değerli fırsatlar sunmaktadır. Özellikle dokusal ve yapısal doku görüntü analizine dayalı birçok çalışma, kanserin tanı ve sınıflandırması için bu tür sistemleri geliştirmeye adanmıştır. Son zamanlardaki dokusal ve yapısal yaklaşımlar, farklı tipte dokular için umut verici sonuçlar vermesine rağmen, doku bileşenleri tarafından taşınan potansiyel biyolojik bilgiyi kullanabilmekten yoksundurlar. Halbuki, bu doku bileşenleri, doku temsiline ve dolayısıyla, kanserin yol açtığı doku değişikliklerini ölçmeye daha iyi yardımcı olur.Bu tez, kolon biyopsi görüntülerini temsil etmede doku bileşenlerinin kullanımı için özellikli Nokta Modelleri olarak adlandırılan yeni bir dokusal yaklaşım sunmaktadır. Bu dokusal yaklaşım öncelikle kolon dokusunun çekirdek, stroma ve lümen bileşenlerine karşılık gelen bir dizi özellikli noktaları tanımlar. Sonra, bu belirgin noktalar etrafından doku görüntülerini ölçmede kullanılan öznitelikler çıkartılır. Son olarak, bu öznitelikleri kullanarak doku örneklerini sınıflandırır. 258 farklı hastadan alınan 3236 kolon biyopsi örneği üzerinde gerçekleştirdiğimiz deneyler, Özellikli Nokta Modelleri yaklaşımının, dokuları tanımlamada yapısal bileşenleri kullanmayan benzer çalyşmalarla karşılaştırıldığında, sınıflandırma başarı yüzdesini artırdığını ortaya koymuştur. Ayrıca gerçekleştirdiğimiz bu deneyler, doku görüntüsünün daha iyi temsil edilebilmesi için bu dokusal yaklaşım kullanılarak farklı özniteliklerin elde edilebileceğini göstermektedir.
Özet (Çeviri)
Over the last decade, computer aided diagnosis (CAD) systems have gained great importance to help pathologists improve the interpretation of histopathological tissue images for cancer detection. These systems offer valuable opportunities to reduce and eliminate the inter- and intra-observer variations in diagnosis, which is very common in the current practice of histopathological examination. Many studies have been dedicated to develop such systems for cancer diagnosis and grading, especially based on textural and structural tissue image analysis. Although the recent textural and structural approaches yield promising results for different types of tissues, they are still unable to make use of the potential biological information carried by different tissue components. However, these tissue components help better represent a tissue, and hence, they help better quantify the tissue changes caused by cancer.This thesis introduces a new textural approach, called Salient Point Patterns (SPP), for the utilization of tissue components in order to represent colon biopsy images. This textural approach first defines a set of salient points that correspond to nuclear, stromal, and luminal components of a colon tissue. Then, it extracts some features around these salient points to quantify the images. Finally, it classifies the tissue samples by using the extracted features. Working with 3236 colon biopsy samples that are taken from 258 different patients, our experiments demonstrate that Salient Point Patterns approach improves the classification accuracy, compared to its counterparts, which do not make use of tissue components in defining their texture descriptors. These experiments also show that different set of features can be used within the SPP approach for better representation of a tissue image.
Benzer Tezler
- Konvolüsyonel sinir ağları modelleriyle meme kanseri histopatolojik görüntülerinin sınıflandırılması
Breast cancer histopathological image classification with convolutional neural networks models
IŞIL ÜNALDI
Yüksek Lisans
Türkçe
2020
BiyoistatistikOndokuz Mayıs ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DOÇ. DR. LEMAN TOMAK
- Two-tier tissue decomposition for histopathological image representation and classification
Histopatolojik görüntü temsili ve sınıflandırması için iki katmanlı doku ayrıştırma modeli
TUNÇ GÜLTEKİN
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Uzamsal bilgi kullanarak histopatolojik görüntü analizi
Histopathological image analysis using spatial information
MUHAMMED EMİN BAĞDİGEN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Derin öğrenme ile histopatolojik görüntü analizi
Histopathological image analysis using deep learning
ŞABAN ÖZTÜRK
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAYRAM AKDEMİR
- Breast cancer classification using deep neural network
Başlık çevirisi yok
MUHAMMAD UZAIR JAVED
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SHAHRAM TAHERI