Histopatolojik görüntülerde çoklu örnekli öğrenme ile hücre bölütleme
Cell segmentation in histopathological images using multiple instance learning
- Tez No: 599282
- Danışmanlar: DOÇ. DR. GÖKHAN BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 97
Özet
Son yıllarda gelişen teknolojinin sağladığı olanaklar yüksek çözünürlüklü görüntüleme sistemlerinin hızla gelişmesini sağlamıştır. Bu gelişmelerden bir tanesi patoloji alanında kullanılan sayısal slayt tarayıcıların çok ileri bir noktaya gelmesidir. Sayısal slayt tarayıcıların gelişmesi tıbbi çalışma alanlarında yapılan bazı analog incelemelerin sayısal ortama aktarılmasını mümkün kılmıştır. Bu çalışma alanlarından bir tanesi hastalık bilimi olarak bilinen patolojidir. Patolojik incelemeler hastalardan alınan numeneler üzerinde hastalıklarla ilgili yapılan tanılama işlemlerini kapsamaktadır. Patolojinin bir alt dalı olan histopatoloji ise hastalıklı dokular üzerinde histolojik incelemelerin yapıldığı çalışma alanıdır. Bu tür tıbbi incelemeler genel olarak büyük boyutlu veriler üzerinde yapılmaktadır ve uzman kişinin bilgi ve tecrübesi konulacak teşhiste belirleyici faktörlerdir. Bu nedenle hem uzman birikimine bağlılığı olabildiğince ortadan kaldırmak hem de büyük verilerin neden olduğu iş yükünü azaltmak için son yıllarda Bilgisayar Destekli Teşhis (BDT) sistemleri üzerinde yapılan çalışmalar önem kazanmıştır. BDT sistemlerinin kullanıldığı çalışma alanlarından bir tanesi de histopatolojidir. Çoğunlukla hücre seviyesinde yapılan histopatolojik incelemelerin temel adımı ilgilenilen farklı biyolojik bileşenlerin görüntüdeki diğer bileşenlerden ayrıştırılması yani bölütlenmesidir. Hücre bölütleme bir BDT sisteminin nihai başarımını doğrudan etkilediği için bölütleme teknikleri üzerinde birçok çalışma yapılmıştır. Bu tez çalışmasında, son yıllarda araştırmacıların ilgisini çeken Çoklu Örnekli Öğrenme (ÇÖÖ, Multiple Instance Learning) paradigması kullanılarak histopatolojik görüntüler üzerinde hücre bölütleme çalışması yapılmıştır. Bu bağlamda öncelikle renk yoğunluk değerleri ve dokusal/uzamsal öznitelikler çıkartılarak kurulan ÇÖÖ sınıflandırıcıları ile ön bölütleme görüntüleri elde edilmiştir. Daha sonra morfolojik operatörler ile düzgünleştirilen ön bölütleme sonuçlarına son işlem adımı olarak Markov Rastgele Alanlar (MRA, Markov Random Fields) tekniği uygulanarak bölütleme başarımının iyileştirilmesi hedeflenmiştir. Çalışma sonunda, kullanılan ÇÖÖ algoritmalarının performansları değerlendirilmiş ve elde edilen sonuçlar geleneksel gözetimli öğrenme algoritmalarının sonuçları ile karşılaştırmalı olarak sunulmuştur.
Özet (Çeviri)
The oppurtunities provided by the developing technology in recent years have enabled the rapid development of high resolutional imaging devices. One of these developments is the advancement of digital slide scanners. The development of digital slide scanners has made it possible to transfer some of the analog examinations made in the medical fields to the digital medium. One of these research areas is the pathology known as disease science. Pathological examinations include identification of diseases on the specimen taken from the patients. Histopathology, a sub-branch of pathology, is the field of study where histological examinations are performed on diseased tissues. Such medical studies are generally being carried out on large data sets and the outcome of the diagnoses depends strongly on the knowledge and experience of the experts. Therefore, studies on Computer Aided Diagnosis (CAD) systems have recently gained importance in order to eliminate the effect of experitise level as much as possible and to reduce the work load caused by big data. Histopathology is one of the areas where CAD systems are used. The main step of histopathological examinations, which are usually performed at the cellular level, is the separation of the different components of interest from other components. For such studies, segmenting cellular structures in histopathological images is among primarily considered problems. Since cell segmentation directly affects the final performance of a CAD system, many studies have been conducted on segmentation techniques. In this thesis, segmentation of cellular structures in histopathological images has been studied by using Multiple Instance Learning (MIL) paradigm which has attracted the attention of researchers in recent years. In this context, pre-segmentation images were obtained by using MIL based classifiers built by extracting color density values and textural/spatial features. Afterwards, it was aimed to improve segmentation performance by applying Markov Random Fields (MRF) technique as the final processing step to the pre-segmentation results which were smoothed with morphological operators. At the end of the study, the performances of MIL algorithms used were evaluated and the obtained results were presented in comparison with the results of conventional supervised learning algorithms.
Benzer Tezler
- Deep feature representations and multi-instance multi-label learning of whole slide breast histopathology images
Tüm slayt meme histopatoloji görüntülerinin derin öznitelik gösterimleri ve çoklu-örnek çoklu-etiket öğrenimi
CANER MERCAN
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
- Histopatolojik görüntülerde bez bölütleme için çoklu görev öğrenimi
Multi-task learning for gland segmentation in histopathological images
İMAN REZAZADEHKHIAVI
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. PINAR DUYGULU ŞAHİN
- Yüksek boyutlu model gösterilimi kullanılarak histopatolojik görüntülerde leke ayırma işlemi
Stain separation process on histopathological images using high dimensional model representation
AYÇA CEYLAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA
- 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
- Derin metrik öğrenme ile histopatolojik görüntülerin sınıflandırılması
Classification of histopathological images with deep metric learning
MAHMUT KAYA
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE