Geri Dön

Deep learnıng based cell segmentatıon ın hıstopathologıcal ımages

Hi̇stopatoloji̇k görüntülerde deri̇n öğrenme tabanli hücre bölütlemesi̇

  1. Tez No: 518056
  2. Yazar: DENİZ DOĞAN
  3. Danışmanlar: DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Detection and classification of nuclei in histopathological images

    Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması

    ROAA SAFI ABED ALAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  2. Derin öğrenme ile histopatolojik görüntü analizi

    Histopathological image analysis using deep learning

    ŞABAN ÖZTÜRK

    Doktora

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAYRAM AKDEMİR

  3. Bölütlenmiş histopatolojik görüntüler üzerinde derin öğrenme yöntemiyle kolon kanseri tespiti

    Detecting colon cancer using deep learning on segmented histopathological images

    ULAŞ YURTSEVER

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAYRETTİN EVİRGEN

  4. 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

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BÜLENT YILMAZ

  5. 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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM