Geri Dön

Self-supervised representation learning with graph neural networks for region of interest analysis in breast histopathology

Meme histopatolojisinde ilgi alanı gösterimlerinin çizgesel sinir ağları ile kendinden gözetimli öğrenimi

  1. Tez No: 655370
  2. Yazar: YİĞİT ÖZEN
  3. Danışmanlar: DOÇ. DR. SELİM AKSOY
  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: 2020
  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: 65

Özet

Histopatoloji görüntülerinin analizinde derin öğrenme, gösterim öğreniminin elle seçilen özniteliklere göre daha yüksek başarı göstermesiyle birlikte büyük katkıda bulunmuştur. Fakat derin öğrenmenin histopatoloji uygulamalarında iki zorluk etkisini sürdürmektedir. Bu zorluklardan ilki, histopatoloji alanında büyük veri kümelerinin bulunmamasıdır. Diğer alanlarda yaygın olarak kullanılan derin öğrenme tabanlı yöntemler, derin ve geniş modellerin büyük ve işaretli veri kümeleri üzerinde eğitilmesi üzerine kurulmuştur. Histopatoloji görüntülerinin elle işaretlenmesi ise çok zaman alan bir işlemdir. Büyük halka açık veri kümelerinin oluşturulmasında da, tıbbi verilerin mahremiyeti konusundaki çekinceler sebebiyle zorluklar yaşanmaktadır. İkinci zorluk ise, histopatoloji görüntülerinde bulunan ilgi alanlarının değişken boyut ve şekillere sahip ve farklı tanı sınıflarına ait olabilmesidir. Bu zorluĞa karşı geliştirilen alışıldık çözüm, ilgi alanlarından kesilerek elde edilen sabit boyuttaki görüntü parçaları üzerinde analiz yapılıp, elde edilen sonuçların ilgi alanı için bir araya getirilmesidir. Bu yöntemler hücre seviyesindeki öznitelikleri çıkarmada başarılı olsalar da, doku seviyesindeki bağlamsal ilişkileri modellemekte etkili olamamışlardır. Bu zorlukların ışığında, çizgesel sinir ağları ve karşılaştırmalı kendinden gözetimli öğrenme yöntemlerini kullanan iki aşamalı bir öğrenme yöntemi önermekteyiz. Bu yöntemde ilgi alanları, düğümleri küçük ve sabit boyutlu görüntü parçalarına karşılık gelen çizgeler olarak modellenir. İlk aşamada, ilgi alanlarından kesilmiş küçük ve sabit boyutlu görüntü parçaları üzerinde, hücre seviyesi niteliklere odaklanan bir evrişimli sinir ağı eğitilir. İkinci aşamada, ilgi alanı seviyesi öznitelik gösterimleri, dokudaki yapıları öĞrenebilen bir çizgesel sinir ağı ile öğrenilir. Çizgesel sinir ağları, değişken boyutlu ilgi alanlarının çizgeler olarak modellenmesinin ve bağlamsal özniteliklerin öğrenilmesinin yolunu açmaktadır. Karşılaştırmalı kendinden gözetimli öğrenme yöntemi ise, etiketli verinin az olduğu durumlarda veriden öğrenilen özniteliklerin kalitesini artırmaktadır. Kendinden gözetimli öğrenme ilk kez rastgele düğüm silme yöntemiyle çizgesel sinir ağlarına uyarlanmıştır. Çalışma kapsamında oluşturduğumuz meme histopatolojisi veri kümesi üzerinde yapmış olduğumuz deneyler, önerilen derin gösterim öğrenimi yönteminin, görüntü sınıflandırma ve görüntü tabanlı içerik erişimi görevlerinde önceki yöntemlerden daha başarılı olduğunu göstermiştir.

Özet (Çeviri)

Deep learning has made a major contribution to histopathology image analysis with representation learning outperforming hand-crafted features. However, two notable challenges remain. The first is the lack of large histopathology datasets. The commonly used setting in deep learning-based approaches is supervised training of deep and wide models using large labeled datasets. Manually labeling histopathology images is a time-consuming operation. Assembling a large public dataset is also proven difficult due to privacy concerns. Second, the clinical practice in histopathology necessitates working with regions of interest of multiple diagnostic classes with arbitrary shapes and sizes. The typical solution to this problem is to aggregate the representations of fixed-sized patches cropped from these regions to obtain region-level representations. However, naive methods cannot sufficiently exploit the rich contextual information in the complex tissue structures. To tackle these two challenges, this thesis proposes a generic method that utilizes graph neural networks, combined with a self-supervised training method using a contrastive loss function. The regions of interest are modeled as graphs where vertices are fixed-sized patches cropped from the region. The proposed method has two stages. The first stage is patch-level representation learning using convolutional neural networks which concentrates on cell-level features. The second stage is region-level representation learning using graph neural networks which can learn the tissue structure. Graph neural networks enable representing arbitrarily-shaped regions as graphs and encoding contextual information through message passing between neighboring patches. Self-supervised contrastive learning improves quality of learned representations without requiring labeled data. We propose using self-supervised learning to train graph neural networks using vertex dropout augmentation. The experiments using a challenging breast histopathology dataset show that the proposed method achieves better performance than the state-of-the-art in both classification and retrieval tasks.

Benzer Tezler

  1. Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri

    Semi supervised learning techniques on hyperspectral images

    MUHAMMET SAİD AYDEMİR

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  2. Etkin sorgu önerileri için kullanıcı sorgularının görev tabanlı yönetilmesi

    Task based management of user queries for effective query suggestions

    NURULLAH ATEŞ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

  3. Drug-target interaction prediction by transfer learning for proteins with few bioactive compound data

    Az biyoaktif bileşik verisi olan proteinler için aktarım yolu ile öğrenerek ilaç-hedef ilişki tahmini

    ALPEREN DALKIRAN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

  4. Self-supervised representation learning from demonstration

    Gösterimden kendinden denetimli temsil öğrenme

    ERCAN ALP SERTELİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARIŞ AKGÜN

  5. Monocular depth estimation with self-supervised representation learning

    Öz-denetimli temsil öğrenmeyle monoküler derinlik tahmini

    UFUK UMUT ŞENTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZLI İKİZLER CİNBİŞ