Automatic identification of abnormal regions in digitized histology cross-sections of colonic tissues and adenocarcinomas using quasi-supervised learning
Kolorektal doku ve kolorektal denokarsinom sayısal histoloji kesitlerindeki anormal bölgelerin yarı-güdümlü öğrenme kullanılarak otomatik belirlenmesi
- Tez No: 320727
- Danışmanlar: DOÇ. DR. BİLGE KARAÇALI
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 162
Özet
Bu çalışmada histopatolojik görüntülerdeki desenlerin yarı-güdümlü öğrenme yardımıyla tanınması amacıyla bir metodoloji geliştirilmiştir. Sözkonusu metodoloji, desen vektörlerinin hesaplanması ve sonrasında uygulanan yarı-güdümlü öğrenme aşamalarından oluşmaktadır. Bu çalışma kapsamında, adenokarsinom içeren hematoksilen ve eosin boyama uygulanmış kolorektal histopatoloji kesitleri analize tabi tutulmuştur. Yarı-güdümlü öğrenme yöntemi, biri dolaylı yolla sağlıklı olarak belirlenmiş, diğeri üzerinde hiç bir işaretleme yapılmamış sağlıklı/kanserli örnekler olmak üzere iki ayrı vektör grubu üzerinde çalışır. Bu sayede, yarı-güdümlü öğrenme yöntemi geleneksel güdümlü öğrenme yöntemlerinin ihtiyaç duyduğu sağlıklı ve kanserli bÖlgelerin teker teker işaretlemesine gerek duymaz ve dolayısıyla uzman müdahelesi ihtiyacını önemli ölçüde azaltır. Önerilen yöntem, çeşitli desenvektÖr hesaplama parametreleri kullanılarak elde edilmiş desen vektör veri kümeleri üzerinde kullanılmıştır. Önerilen yöntemin desen tanıma başarımları, tümü elle işaretlenmiş desenleri kullanan kabul gÖrmüş bir güdümlü Öğrenme yöntemi ile karşılaştırılmıştır. Sözkonusu güdümlü öğrenme yöntemi fazla uzman müdahelesi gerektirdiği için alternatif sunduğumuz güdümlü yöntemlerinden birisidir. Bu çalışmada önerilen yöntemin tanıma başarımını arttırmak amacıyla çeşitli vektörboyut azaltma yaklaşımları denenmiştir. Bu yaklaşımlardan Bağımsız Bileşenler Analizi yöntemi önerilen yönteme ait desen tanıma başarımını arttırmıştır. Sonuç olarak, kolorektal histopatoloji kesitleri üzerinde yapılan deneyler, kanserli bölgeler içeren doku kesitlerinin tek tek elle işaretlenmiş verileri kullanmadan başarılı bir şekilde tanındığını göstermiştir.
Özet (Çeviri)
In this thesis, a framework for quasi-supervised histopathology image texture identification is presented. The process begins with extraction of texture features followed by a quasi-supervised analysis.Throughout this study, light microscopic images of the hematoxylin and eosin stained colorectal histopathology sections containing adenocarcinoma were quantitatively analysed.The quasi-supervised learning algorithm operates on two datasets, one containing samples of normal tissues labelled only indirectly and in bulk, and the other containing an unlabelled collection of samples of both normal and cancer tissues. As such, the algorithm eliminates the need for manually labelled samples of normal and cancer tissues commonly used for conventional supervised learning and significantly reduces the expert intervention.Several texture feature vector datasets corresponding to various feature calculation parameters were tested within the proposed framework. The resulting labelling and recognition performances were compared to that of a conventional powerful supervised classifier using manually labelled ground-truth data that was withheld from the quasi-supervised learning algorithm. That supervised classifier represented an idealized but undesired method due to extensive expert labelling.Several vector dimensionality reduction techniques were evaluated an improvement in the performance. Among the alternatives, the Independent Component Analysis procedure increased the performance of the proposed framework.Experimental results on colorectal histopathology slides showed that the regions containing cancer tissue can be identified accurately without using manually labelled ground-truth datasets in a quasi-supervised strategy.
Benzer Tezler
- Video görüntülerinden trafik kazası riskini gerçek zamanlı belirleyen bir sistem tasarımı
A system design for determining traffic accident risk from real-time video images
UYGAR ER
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. M. ELİF KARSLIGİL
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Geometric analysis of pathological changes in the brain using mri images for tumor diagnosis
Başlık çevirisi yok
AYNOOR SAMEER MAHMOOD AKMAKCHI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Biyotiyol sensör uygulamaları hedefli çalışmalar olarak: Boranil bileşikleri sentezi
Bio-thiol sensor applications: Synthesis of Boranil compounds
SİBEL KAYA
- Video gözetiminde anormal hareket tespiti
Abnormal motion detection for surveillance video
ERKAN ŞENGÖNÜL
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK SAMET