Resampling-based Markovian modeling for automated cancer diagnosis
Otomatik kanser tanısı için yeniden örnekleme bazlı Markov modelleme
- Tez No: 286333
- 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: Belirtilmemiş.
Özet
Doğru kanser tanısı ve derecelendirilmesi, etkili bir tedavi planı için önemlidir. Ancak, biyopsi görüntüleri üzerinde yapılan kanser tanısı, patologların görsel olarak yorumlamasına dayanır, bu ise öznellik taşır. Bu öznellik, etkili olmayan tedavi planlarının uygulanmasına yol açabilir. Tanıdaki öznelliği azaltmak amacıyla, ölçülebilir değerler üzerinden otomatik kanser tanısı ve derecelendirmesi yapan sistemler önerilmiştir. Biyopsi görüntülerinde varolan değişim bu tür sistemlerin tasarlanmasında en büyük sorunlardan birini oluşturur. Bu tür sistemlerin biyopsi görüntülerini doğru sınıflandırabilmesi için fazla sayıda öğrenme örneği ile eğitilmesi gerekir. Ancak, histopatolojik görüntü alanındaki öğrenme kümeleri, görüntü toplama ve bu görüntüleri etiketlemedeki zorluklardan ötürü genelde az sayıda örnek içerir. Biz bu çalışmamızda bu probleme karşı, öğrenme kümesindeki örnek sayısını ve varyansını artırarak sınıflandırıcının genelleme kapasitesini artıran, yeni bir tekrar örnekleme yöntemi sunmaktayız. Bunu yapabilmek için, görüntü üzerinden her biri, görüntünün değiştirilmiş örneğine denk gelen diziler oluşturulur. Bu değiştirilmiş örneklerin her biri, görüntü üzerinde değişik alt bölgeleri nitelendirir ve dolayısıyla birbirinden farklıdır. Bu örneklerin öğrenmede kullanılması ise öğrenme kümesinin büyüklüğünü ve varyansını artırır. Markov modeller ile bu örnekler modellenir ve etiketlenmemiş örneklerin sınıflandırılmasında kullanılır. Histopatolojik görüntüler üzerinde yapılan testlerde, sunulan bu yöntemin hem büyük hem de küçük boyutlu öğrenme kümelerinde diğer yöntemlere göre daha başarılı olduğu görülmektedir. Ayrıca değiştirilmiş örneklerin oylama yönteminde kullanılması sınıflandırıcının performansını artırmaktadır.
Özet (Çeviri)
Correct diagnosis and grading of cancer is very crucial for planning an effective treatment. However, cancer diagnosis on biopsy images involves visual interpretation of a pathologist, which is highly subjective. This subjectivity may, however, lead to selecting suboptimal treatment plans. In order to circumvent this problem, it has been proposed to use automatic diagnosis and grading systems that help decrease the subjectivity levels by providing quantitative measures. However, one major challenge for designing these systems is the existence of high variance observed in the biopsy images due to the nature of biopsies. Thus, for successful classifications of unseen images, these systems should be trained with a large number of labeled images. However, most of the training sets in this domain have limited size of labeled data since it is quite difficult to collect and label histopathological images. In this thesis, we successfully address this issue by presenting a new resampling framework. This framework relies on increasing the generalization capacity of a classifier by augmenting the size and variation in the training set. To this end, we generate multiple sequences from an image, each of which corresponds to a perturbed sample of the image. Each perturbed sample characterizes different parts of the image, and hence, they are slightly different from each other. The use of these perturbed samples for representing the image increases the size and variability of the training set. These samples are modeled with Markov processes which are used to classify unseen image. Working with histopathological tissue images, our experiments demonstrate that the proposed framework is more effective for both larger and smaller training sets compared against other approaches. Additionally, they show that the use of perturbed samples is effective in a voting scheme which boosts the performance of the classifier.
Benzer Tezler
- Resampling based regression approach for what-if analysis
What-if analizi için yeniden örneklemeli regresyon yaklaşımı
ALİ ALICI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TEVFİK AYTEKİN
- Türkiye'de kadın istihdamının tahmininde yeniden örneklemeye dayalı regresyon yaklaşımı
A resampling-based regression approach for the estimation of female labor force participation in Türkiye
HİDAYET AKBULUT
Yüksek Lisans
Türkçe
2026
İstatistikBitlis Eren Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. HAYRİYE ESRA AKYÜZ
- Regresyonda yeniden örnekleme metotlarına dayalı istatistiksel sonuç çıkarımı
Statistical inference based on resampling methods for regression
GÖKHAN UYAR
- Ağaç tabanlı sınıflandırma tekniklerinin dengeli olmayan veri setlerinde incelenmesi: Kredi risk örneği
Examination of tree-based techniques in imbalanced data sets: The example of credit risk
ALİ ÖZTÜRK
Yüksek Lisans
Türkçe
2021
EkonometriDokuz Eylül ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN ARAS
- Application, comparison, and improvement of known received signal strength indication (RSSI) based indoor localization and tracking methods using active rfid devices
İç ortamda, alınan sinyal gücü (RSSI) tabanlı, bilinen yer bulma ve takip yöntemlerinin, aktif rfıd kullanarak uygulama, karşılaştırma ve geliştirilmesi
BORA ÖZKAYA
Yüksek Lisans
İngilizce
2011
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DR. ARZU KOÇ
PROF. DR. SENCER KOÇ