Akut lenfoblastik lösemi hücrelerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of acute lymphoblastic leukemia cells using deep learning methods
- Tez No: 630336
- Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 145
Özet
Son yıllarda patolojide dijitalleşmenin yaygınlaşması nedeniyle patoloji alanında yapılan yapay zeka uygulamalarının gelişiminin hız kazandığı görülmektedir. Bu uygulamalar ile hastalık teşhisinin daha somut ve kesin sonuçlara dayandırılması amaçlanarak önemli gelişmeler elde edilmiştir. Tezin amacı, Akut Lenfoblastik Lösemi (Acute Lymphoblastic Leukemia - ALL) hastalığına ait pataloji görüntülerinin yapay zeka yöntemleri ile analiz edilerek pataloglara yardımcı olabilecek bir teşhis sisteminin geliştirilmesidir. Bu tez kapsamında ALL hastalığına ait dijital patoloji verilerinin derin öğrenme, makine öğrenimi ve transfer öğrenme yöntemleri ile sınıflandırılması gerçekleştirilmiştir. Çalışmada ilk yöntemde ALL görüntülerinin sınıflandırması için farklı mimarilere sahip Evrişimsel Sinir Ağı (Convolutional Neural Networks - CNN) modelleri eğitilmiş ve sınıflandırma işlemi gerçekleştirilmiştir. İkinci yöntemde, ilk yöntem ile geliştirilen farklı CNN modellerinin evrişim katmanları özellik çıkarıcı olarak kullanılıp, makine öğrenme algoritmaları ile sınıflandırma işlemi gerçekleştirilmiştir. Kullanılan makine öğrenme algoritmaları; Destek Vektör Makinesi (Support Vector Machine - SVM), Naive Bayes (NB) ve Rastgele Orman (Random Forest - RF) idir. Son yöntemde ise ResNet50 ve VGG16 ağları kullanılarak transfer öğrenme işlemi gerçekleştirilmiş olup ALL görüntülerinin sınıflandırılması eğitilen bu iki model ile yapılmıştır. Bu yöntemler ile farklı hiper-parametreler kullanarak toplamda 696 farklı eğitim ve test işlemi gerçekleştirilmiştir. Tüm bu deneyler sonucunda CNN-4 olarak adlandırılan 10 evrişim katmanı, 10 ReLU katmanı, 3 maksimum havuzlama, 1 ortalama havuzlama, 3 bırakma ve 2 tam bağlı katmana sahip olan modelin diğer modellere göre 0.871 doğruluk, 0.937 AUC değerleri ile daha başarılı olduğu görülmüştür.
Özet (Çeviri)
Due to the widespread use of digitalization in pathology in recent years, it can be easily seen that the development of Artificial Intelligence applications in the field of pathology has been accelerated. Important developments have been achieved by aiming to base the diagnosis of the disease on more concrete and accurate results along with these applications. The aim of this thesis is to develop a diagnose system that can assist pathologists by analyzing the pathology images of Acute Lymphoblastic Leukemia (ALL) disease using Artificial Intelligence methods. The scope of this thesis includes digital pathology data of ALL disease which were classified with deep learning, machine learning and transfer learning methods. In this study, as a first method, Convolutional Neural Network models with different architectures were trained for the classification of ALL images. After the training, classification process was carried out. In the second method, the convolution layers of different CNN models related to the first method are used as feature extractors and the classificattrion process was performed using machine learning algorithms. Machine learning algorithms used; Support Vector Machine (Support Vector Machine - SVM), Naive Bayes (NB) and Random Forest (RF). In the last method, transfer learning was carried out using the ResNet50 and VGG16 networks, and the classification of ALL images was done with these two trained models. A total of 696 different training and test procedures have been carried out by using various hyper-parameters using these developed methods. As a result of all these experiments, the model, which has 10 convolutional layers, 10 ReLU layers, 3 maximum docking, 1 average pooling, 3 releases and 2 fully bonded layers, was found to be more successful with 0.871 accuracy and 0.937 AUC values compared to other models.
Benzer Tezler
- Erişkin akut lenfoblastik lösemili hastalarda immünofenotipik özelliklerin prognoz üzerine olan etkilerinin değerlendirilmesi
Başlık çevirisi yok
MUSTAFA N. YENEREL
Tıpta Uzmanlık
Türkçe
2000
Hematolojiİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. TANJU ATAMER
- Sensitization of Philadelphia positive acute lymphoblastic leukemia cells resistant to imatinib by targeting sphingolipid metabolism
Sfingolipid metabolizmasının hedeflenmesiyle imatinibe dirençli Philadelphia pozitif akut lenfoblastik lösemi hücrelerinin duyarlı hale getirilmesi
YAĞMUR KİRAZ
Doktora
İngilizce
2019
Genetikİzmir Yüksek Teknoloji EnstitüsüMoleküler Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. YUSUF BARAN
- Minimal residüel hastalığın erken tanısına yönelik geliştirilecek biyoçip için yüzey kimyası ve hücresel çalışmalar
Surface chemistry and cellular studies for the biochip to be developed for early detection of minimal residual disease
AHMET ÇİFÇİ
- Development of a low-cost microfluidic system to detect ımmunomagnetically captured leukemia cells
İmmunomagnetik ile lösemi hücrelerini algılamak için düşük maliyetli mikroakışkan sistem geliştirilmesi
ÜNAL AKAR
Yüksek Lisans
İngilizce
2020
BiyomühendislikAbdullah Gül ÜniversitesiBiyomühendislik Ana Bilim Dalı
DOÇ. DR. KUTAY İÇÖZ