Deep learning based unsupervised tissue segmentation in histopathological images
Histopatolojik görüntülerde derin öğrenme temelli öğreticisiz doku bölütlemesi
- Tez No: 480035
- Danışmanlar: 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: 2017
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Günümüz tıbbında, dokuların histopatolojik incelenmesi, kanserin teşhisinde önemli rol oynamaktadır. Fakat bu işlem, hem gözlemci değişkenliğine açık, hem de patologlar için zaman alıcıdır. Dolayısıyla, otomatik nesnel araçların geliştirilmesi önemlidir. Bu araçların ilk basamakları genellikle görüntünün bölütlenmesidir. Bu ihtiyaca yönelik olarak, bu tez çalışmasında, histopatolojik doku görüntülerinin bölütlenmesi için, deepSeg adını verdiğimiz iki aşamalı metodla, yeni bir yaklaşım sunuyoruz. İlk aşama, AlexNet adlı ve medikal olmayan ImageNet alanında eğitilmiş evrişimli yapay sinir ağında saklanan bilgiyi, medikal alanda bulunan histopatolojik doku görüntüsü karakterizasyonu için aktarmaktadır. İkinci aşama ise bu karakterizasyonu, çekirdek kontröllü bir bölge büyütme algoritmasında kullanarak, heterojen doku görüntülerini homojen bölgelerine öğreticisiz olarak bölütlemektedir. Bu bölütlemenin doğruluğunu test etmek için, mikroskobik kolon dokusu görüntülerinde testler yapılmıştır. Elde ettiğimiz sayısal sonuçlar, önerdiğimiz metodun, aynı veri kümesi üzerinde çalışan diğer metodların performanslarını arttırdığını göstermiştir. Bu çalışma, hem derin öğrenme tekniklerini doku görüntü bölütlemesi için kullanan ilk başarılı örneklerden biri olarak yerini almış; hem de histopatolojik görüntü analizinde derin öğrenme temelli özniteliklerin, elle çıkarılanlara üstün geldiğini göstermiştir.
Özet (Çeviri)
In the current practice of medicine, histopathological examination of tissues is essential for cancer diagnosis. However, this task is both subject to observer variability and time consuming for pathologists. Thus, it is important to develop automated objective tools, the first step of which usually comprises image segmentation. According to this need, in this thesis, we propose a novel approach for the segmentation of histopathological tissue images. Our proposed method, called deepSeg, is a two-tier method. The first tier transfers the knowledge from AlexNet, which is a convolutional neural network (CNN) trained for the non-medical domain of ImageNet, to the medical domain of histopathological tissue image characterization. The second tier uses this characterization in a seed-controlled region growing algorithm, for the unsupervised segmentation of heterogeneous tissue images into their homogeneous regions. To test the effectiveness of the segmentation, we conduct experiments on microscopic colon tissue images. Quantitative results reveal that the proposed method improves the performance of the previous methods that work on the same dataset. This study both illustrates one of the first successful demonstrations of using deep learning for tissue image segmentation, and shows the power of using deep learning features instead of handcrafted ones in the domain of histopathological image analysis.
Benzer Tezler
- Detection and classification of nuclei in histopathological images
Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması
ROAA SAFI ABED ALAH
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Yüksek dereceli gliomlarda tedaviye bağlı gelişen radyonekrozun, nüks ya da rezidü tümöral lezyondan ayrımında bilgisayar temelli yapay zekânın rolü
The role of computer-based artificial intelligence in distinguishing treatment-related radiation necrosis from recurrent or residual tumoral lesions in high-grade gliomas
İBRAHİM ALTINDAŞ
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİL ÖZER
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- A deep learning model for susceptibility artifact correction in Echo Planar Imaging
Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli
ABDALLAH GHAZI FAISAL ZAID ALKILANI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR
DOÇ. TOLGA ÇUKUR
- Novel deep learning algorithms for multi-modal medical image synthesis
Çok-kipli tıbbi görüntü sentezi için yeni derin öğrenme algoritmaları
ONAT DALMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR