Deep learnıng based cell segmentatıon ın hıstopathologıcal ımages
Hi̇stopatoloji̇k görüntülerde deri̇n öğrenme tabanli hücre bölütlemesi̇
- Tez No: 518056
- 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: 2018
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Dijital patolojide, hücre görüntüleme sistemleri, histopatolojik olayları hücresel düzeyde anlamamıza izin verir. Bu sistemlerde genellikle ilk adım, histopatolojik görüntülerin etkili ve güvenilir bir analizi için sonraki aşamaları büyük ölçüde etkileyen hücre bölütlemesidir. Diğer taraftan, hücre bölütlemesi, farklı piksel yoğunluklarına ve morfolojik özelliklere sahip hücrelerin bulunduğu histopatolojik görüntüler için zor bir iştir. Hücrelerin hem piksel yoğunluğunu hem de morfolojik özelliklerini bütünleştiren yaklaşımların, başarılı bölütleme sonuçlarına ulaşması muhtemeldir. Bu tez, rutin olarak kullanılan hematoksilen ve eosin tekniği ile boyanmış histopatolojik doku örnek görüntülerinde hücrelerin güvenilir bölütlemesi için derin öğrenme tabanlı bir yaklaşım önermektedir. Bu yaklaşım, ilk aşamada piksel yoğunluğunu ve ikinci aşamada morfolojik hücre özniteliklerini kullananan iki aşamalı konvolüsyonel sinir ağlarını ortaya koymaktadır. Önerilen yöntem, hücre morfolojisi ile ilgili hücre özniteliklerinin, birinci aşamada üretilen sınıf etiketlerinden ve olasılıklarından çıkarılmasına ve son bölütleme için ikinci aşamada morfolojik hücre özniteliklerinin kullanılmasına dayanmaktadır. Önerilen yaklaşım 3428 hücre üzerinde test edilmiş ve deneysel sonuçlar, yaklaşımımızın farklı bölütleme teknikleriyle karşılaştırıldığında daha iyi bölütleme sonuçları verdiğini göstermiştir.
Özet (Çeviri)
In digital pathology, cell imaging systems allow us to comprehend histopathological events at the cellular level. The first step in these systems is generally cell segmentation, which substantially affects the subsequent steps for an effective and reliable analysis of histopathological images. On the other hand, cell segmentation is a challenging task in histopathological images where there are cells with different pixel intensities and morphological characteristics. The approaches that integrate both pixel intensity and morphological characteristics of cells are likely to achieve successful segmentation results. This thesis proposes a deep learning based approach for a reliable segmentation of cells in the images of histopathological tissue samples stained with the routinely used hematoxylin and eosin technique. This approach introduces two stage convolutional neural networks that employ pixel intensities in the first stage and morphological cell features in the second stage. The proposed TwoStageCNN method is based on extracting cell features, related to cell morphology, from the class labels and posteriors generated in the first stage and uses the morphological cell features in the second stage for the final segmentation. We evaluate the proposed approach on 3428 cells and the experimental results show that our approach yields better segmentation results compared to different segmentation techniques.
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
- 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
- Bölütlenmiş histopatolojik görüntüler üzerinde derin öğrenme yöntemiyle kolon kanseri tespiti
Detecting colon cancer using deep learning on segmented histopathological images
ULAŞ YURTSEVER
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRETTİN EVİRGEN
- Machine and deep learning based analysis of tumors on FDG-PET images
FDG-PET görüntülerindeki tümörlerin makine ve derin öğrenme tabanlı analizi
OĞUZHAN AYYILDIZ
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Detection of liver fibrosis on slide-level labeled unstained biopsies by quantitative phase imaging and multiple instance learning
Karaciğer fibrozisinin slayt seviyesinde etiketlenmiş boyasız biyopsilerden kantitatif faz görüntüleme ve çoklu örnek öğrenmeyle tespiti
LÜTFİ KADİR ÇELEBİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM