Nuclei segmentation with generative adversarial networks
Çekişmeli üretici ağlar ile hücre çekirdeği bölütleme
- Tez No: 596991
- Danışmanlar: PROF. DR. TÜLAY YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Patoloji, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Pathology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 76
Özet
Mikroskobun keşfedilmesinden bu güne, doku örnekleri analiz edilerek hastalıkların tanı ve ilerliyiş analizinin yapılması çok önemli bir hale gelmiştir. Patologlar hücreleri, hücre çekirdeklerini veya kolajeni vurgulamak amacı ile kimyasallar ile boyanmış doku örneklerini analiz eder. Hücrelerin sahip olduğu morfolojik özellikler, hastalığı anlamaya ve tedavi yolları bulmaya yardımcı olur. Ancak, patoloji analizi çok pahalı ve zaman alıcı bir süreçtir. Ek olarak, histopatoloji görüntülerinin altında yatan bilgileri yorumlamak için patologların bir hücre ve doku fizyolojisini derinlemesine bilmesi gerekir. Ayrıca, farklı patologlar farklı yorumlar yapabilirler. Dijital patolojide hızlı, güvenilir ve gözlemciden bağımsız otomatik yöntemler hızla gelişmektedir. Bölütleme, histopatoloji görüntülerinin sınıflandırılması ve hücre tespiti gibi problemler makine öğrenmesi ve görüntü işleme teknikleri ile çözülmektedir. Çekirdek bölütleme problemindeki en başarılı yöntemler, eğiticili derin öğrenme yöntemlerini içerir. Ancak, bu yöntemlerin bazı dezavantajları vardır. Etiketli veriler genellikle elde edilmesi zordur ve belirli bir veri kümesini genelleştirmek için eğitilmiş modeller, farklı yollarla elde edilmiş veya farklı dokulardan alınmış veri kümelerinde kullanılamayabilir. Bu çalışmada, çekirdek bölütleme problemi için çekişmeli üretici modeller ele alınmıştır. İki farklı yaklaşım önerilmiştir. Derin modellerin veriye bağımlılığını çözmek için domen-adaptasyon modeli önerilmiştir. Diğer yöntem, histopatoloji görüntüleri üzerinde denetimsiz bir bölümleme yapmak için çekirdekten-etikete-geçiş modeli önerilmiştir.
Özet (Çeviri)
Since the discovery of the microscope, pathologists analyze stained tissue samples taken from patients which indicates various diseases and properties that helps to understand and cure the diseases. However, process of pathological analysis is very expensive and time consuming.Additionally, to interpret the information underlying histopathology images, pathologists need a great understanding of cell and tissue physiology. Also, there is observer variations. Different pathologists might reach different conclusions consequently their experience levels. Fast, accurate and observer independent automated methods in digital pathology are advancing rapidly. Problems like segmentation, classification and detection in digital pathology, are solved with machine learning and image processing techniques. State-of-the-art methods in nuclei segmentation problem include supervised deep learning methods. However, there are drawbacks. Labeled data is often not obtainable and models that is trained to generalize a certain set of data, are not usable in dataset from different domains. In this work, generative models are considered for unsupervised nuclei segmentation. Two different approach is proposed. A domain adaptation model is proposed to solve domain dependency of deep models and Nuclei-to-annotation translation model is proposed to perform unsupervised segmentation on histopathology images.
Benzer Tezler
- Çekişmeli üretken ağlarla medikal görüntülerin üretimi ve analizi
Use of generative adversarial networks in medical image synthesis and segmentation
SARA ALTUN GÜVEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
- Uzamsal bilgi kullanarak histopatolojik görüntü analizi
Histopathological image analysis using spatial information
MUHAMMED EMİN BAĞDİGEN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Bulanık kümeleme yöntemi ile meme kanseri çekirdeği segmentasyonu
Breast cancer nuclei segmentation with fuzzy clustering method
AMANI ABRAHEEM SALIM ALSHOUL
Yüksek Lisans
Türkçe
2021
Tıbbi BiyolojiKastamonu ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA KANDEMİRLİ
- Seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı tanı yaklaşımlarının geliştirilmesi ve uygulanması
Development and implementation of machine learning based diagnosis approaches in serous effusion cytopathology
ELİF BAYKAL KABLAN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EKİNCİ
- Derin öğrenme ile histopatoloji görüntülerinde çekirdek örnek bölütleme
Nuclei instance segmentation in histopathology images with deep learning
SERDAR YILDIZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
DR. ÖĞR. ÜYESİ ABBAS MEMİŞ