Uzamsal bilgi kullanarak histopatolojik görüntü analizi
Histopathological image analysis using spatial information
- Tez No: 635451
- 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: 2020
- 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: 90
Özet
Kanser Dünya çapında insan hayatına tehdit unsuru olan en büyük etmenlerden biridir. Kanserli hastalıklarda ölüm oranı oldukça yüksektir. Kanser tedavisinin başarılı sonuç vermesini etkileyen en önemli etmenlerden biri erken teşhistir. İnsan dokusundan alınan örnekler üzerinde uzun ve dikkat gerektiren işlemler sonucu kanser tespiti yapılmaktadır. Patalog ve doktorların yoğunlukları, iş hayatlarındaki stres, özel yaşamlarında yaşayabilecekleri problemler hata yapma ihtimallerini artıran etmenlerdir. Patalog ve doktorların hata yapma ihtimallerini en aza indiren, verdikleri kararları destekleyen ya da ikinci bir fikir sunan bilgisayar destekli karar destek makineleri önemli bir ihtiyaç haline gelmiştir. Görüntüleme tekniklerinin gelişmesi, görüntülerin sayısal ortama kolayca aktarılabilmesi ve maliyetin düşük olması bu alandaki çalışmaları hızlandırmıştır. Bu çalışmada da biyomedikal görüntü çeşitlerinden olan histopatolojik görüntülerde üzerinde bölütleme ve sınıflandırma problemleri üzerine yoğunlaşılmıştır. Histopatolojik görüntülerin alınmasında kullanılan donanımların farklılıkları, HE boyamadan kaynaklı renk farkları gibi sebeplerden dolayı histopatolojik görüntüler üzerinde çalışmalar zorlaşmaktadır. İlk çalışmada, HistopathologyBreastCancer veri seti kullanılarak hücre tespiti çalışması yapılmıştır. Çalışmada, yer doğru bilgisi içeren histopatolojik görüntülerde hücresel bölgelerin tespiti yapılması amaçlanmıştır. Öncelikle görüntü içerisinden alınan pencerelerde, Gabor filtresi kullanılarak, belirli yönlerde belirli frekans içeriğinin olup olmadığını bulmak amaçlanmış, pencerelenen bölgelerden öznitelikler çıkarılmıştır. Böylece eğitim ve test veri setleri oluşturulmuştur. Daha sonra çıkarılan eğitim veri setleri kullanılarak K-En Yakın Komşular (k-EYK), Destek Vektör Makinesi (DVM) ve Rastgele Ormanlar (RO) eğiticili sınıflandırma yöntemleri kullanılarak sınıflandırma yapılmıştır. Test verileri kullanılarak yapılan sınıflandırmaların başarıları gözlemlenmiş, elde edilen sonuçlar tablo şeklinde sunulmuştur. İkinci çalışmada, Bioimaging Challenge 2015 Breast Histology veri seti kullanılarak kanser tespiti ve derecelendirilmesi yapılması amaçlanmıştır. Etiketli örnek sayısı 4812 olan eğitim verisi üzerinde yerel ikili örüntü (YİÖ) histogramları çıkarılarak ve Gabor filtreleri kullanılarak öznitelik matrisleri oluşturulmuştur. Sonrasında ise, k-EYK, karar ağacı (KA) ve topluluk öğrenmesi (TÖ) yöntemleri olan bagging, adaboost, RO gibi öğreticili sınıflandırma yöntemleri kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Test verisi olarak ayrıştırılan 491 adet görüntü ile yapılan sınıflandırmaların başarıları hesaplanmıştır. Çalışmanın sonunda öznitelik çıkarma yöntemleri ve sınıflandırıcıların başarıları karşılaştırılmış, elde edilen sonuçlar tablolar halinde sunulmuştur. Üçüncü çalışmada, TCNB\_NucleiSegmentation veri seti üzerinde hücre bölütlemesi çalışması yapılmıştır. Veri setinde var olan görüntüler yapay veri üretme yöntemi ile çoğaltılmıştır. Veri setinde bulunan YD görüntüleri kullanılarak yalnızca hücre sınırlarını içeren ikinci bir YD görüntü seti oluşturulmuştur. Eğitim ve test verisi olarak ayrıştırılan veri seti, histogram eşitleme işleminde geçirilerek 64 x 64, 128 x 128 ve 512 x 512 piksellik parçalara ayrıştırılmıştır. 3 farklı boyda oluşturulan setler ve iki farklı YD görüntüsü ayrı ayrı kullanılarak UNet ile eğitim gerçeklenmiştir. Eğitim sonucunda elde edilen çıktı görüntüsü üzerinde threshold işlemi ile iyileştirme yapılmıştır. 64 x 64 ve 128 x 128 piksellik görüntüler ile gerçekleştirilen eğitim çıktıları topluluk öğrenmesi yöntemine benzer bir teknik ile birleştirilerek 512 x 512 piksellik görüntüler haline getirilmiştlerdir. Birleştirme işleminin başarıya etkisi de ayrı olarak gözlemlenmiştir. Çalışma boyunca tüm gerçekleştirilen adımların başarıları gözlemlenmiş ve sonuçlar, tablolar halinde sunulmuştur.
Özet (Çeviri)
Cancer is one of the biggest threats to human life worldwide. Mortality rate is high in cancerous diseases. Early diagnosis is one of the most important factors affecting the success of cancer treatment. Cancer samples are detected on human samples by long and demanding procedures. The densities of patalog and doctors, stress in work life, problems in private lives are factors that increase the probability of making mistakes. Computer aided decision support machines, which minimize the mistakes that patalog and doctors make, and support their decisions or offer a second opinion, has become an important need. The development of imaging techniques, the ability to easily transfer images to digital media and low cost have accelerated the studies in this field. In this study, we focused on segmentation and classification problems on histopathological images, which is one of the biomedical image types. Due to the differences in the equipment used for obtaining histopathological images and color differences due to HE staining, studies on histopathological images are difficult. In the first study, it was aimed to perform cell detection in histopathologic images which contains ground truth information. Firstly, in the patches which taken from the image, it is aimed to find out whether there is a certain frequency content in certain directions by using Gabor Filter. Features are extracted from the patches. Thus, training and test data sets were created. Then, using the training data sets, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Random Forest, which are trained classification methods, were used for classification. The success of classifications were observed with using test dataset and the results were presented. In second study, it was aimed to perform cancer detection and grading while using Bioimaging Challenge 2015 Breast Histology Dataset. In feature extraction phase, feature matrices are created by using local binary pattern histograms and Gabor filters on a dataset with 4812 train data. Afterwards, the classification process are carried out using KNN, decision trees and several ensemble classification methods such as bagging, adaboost, RF. The accuracies of the classifications are measured with 491 test image which are selected from dataset. At the end of the study, success of feature extraction methods and classifiers are compared and the results were presented in tables. In third study, the cell segmentation study was performed on the TCNB\_NucleiSegmentation dataset. The existing images in the data set were reproduced by artificial data generation method. A second set of GT images containing only the cell boundaries was generated using the GT images contained in the dataset. The dataset, which was separated as training and test data, was passed through histogram equalization process and divided into 64 x 64, 128 x 128 and 512 x 512 pixels. By using sets created in 3 different sizes and two different GT images separately, training was made with UNet. The output image obtained as a result of the training was improved by thrshold operation. 64 x 64 and 128 x 128 pixel images were combined with a technique similar to the assemble learning method. The effect of combination process on success was also observed separately. During the study, success of the all steps are observed and results were presented as table.
Benzer Tezler
- Color graph representation for structural analysis of tissue images
Doku imgelerinin yapısal analizi için renkli çizge gösterimi
DOĞAN ALTUNBAY
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Histopatolojik görüntülerde çoklu örnekli öğrenme ile hücre bölütleme
Cell segmentation in histopathological images using multiple instance learning
SONER KAYA
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Autonomous multi-robot topological spatial cognition
Çoklu robotlarda otonom topolojik uzamsal anlamlandırma
HAKAN KARAOĞUZ
Doktora
İngilizce
2015
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. HURİYE IŞIL BOZMA AYDIN
- An information theoretic study of the spatial diversity techniques for wireless relay networks
Telsiz röle kanallar için uzamsal çeşitleme tekniklerinin bilgi kuramı açısından incelenmesi
ERHAN YILMAZ
Yüksek Lisans
İngilizce
2006
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET OĞUZ SUNAY
- Hiperspektral görüntülerin sınıflandırılmasında uzamsal-spektral yaklaşımlar
Spatial-spectral approaches in classification of hyperspectral images
HASAN ALİ AKYÜREK
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BARIŞ KOÇER