KI67 labeling in gliomas with artificial intelligence
Yapay zeka ile gliomlarda KI67 işaretleme
- Tez No: 673271
- Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN GÖKHAN AKÇAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 46
Özet
Kanserin evresinin belirlenmesi, tedaviler için en önemli etmenlerden biridir. Hücresel çoğalma indeksi, kanserin evresini belirleyen faktörlerden biridir. Bu nedenle hücresel proliferasyon indeksinin belirlenmesi tedavi için hayati öneme sahiptir. Patologlar, hücresel çoğalmayı belirlemek için KI67 nükleer proteinlerinin prognostik özelliğini kullanır. KI67 nükleer protein uygulandığında yüksek çoğalma hızına sahip hücreler kahverengimsi bir renge sahip olurlar. Bu hücrelerin miktarı, proliferasyon indeksinin hesaplanmasında kullanılır. Bu tez kapsamında hücrelerin KI67 pozitif ve negatif olarak etiketlenmesi için yapay zeka destekli görüntü işleme teknikleri kullanılmıştır. Bu çalışmada Faster R-CNN obje tanıma modeli kullanılmıştır. Faster R-CNN obje tanıma modelinin başarı oranları, kullanılan CNN modeline bağlıdır. Günümüzde Faster R-CNN obje tanıma algoritması için kullanılabilecek birden çok CNN modeli bulunmaktadır. Bu tez kapsamında ResNet50,ResNet18,VGG16,VGG19 CNN modelleri kullanılmıştır ve bu modellerin Faster R-CNN obje tanıma algoritmasına entegre edilerek KI67 hücre etiketlemedeki başarımları test edilmiştir. Derin öğrenme teknikleri ile obje tespiti veri setine de bağlıdır. Veri seti görüntüleri, eğitim sürecinden önce etiketlenmelidir. Bu tezde iki farklı görüntü etiketleme tekniği ile veri seti oluşturularak tam denetimli ve yarı denetimli öğrenme yöntemleri uygulanmıştır. Tam denetimli öğrenme yönteminde tüm görüntüler manuel olarak etiketlenmiştir. Yarı denetimli öğrenme yönteminde ise varolan obje tanıma modeli etiketlemede kullanılmıştır. Yarı denetimli öğrenme yöntemi Faster R-CNN obje tanıma algoritmasına entegre edilerek daha başarılı sonuçlar alınmıştır. Bu sayede en uygun şekilde KI67 nükleer eksprasyonu gösteren gliom hücrelerinin tanınması sağlanmıştır.
Özet (Çeviri)
Determining the stage of cancer is one of the essential steps for treatments. The cellular proliferation index is one of the factors determining the stage of cancer. Therefore, determining the cellular proliferation index is a vital part of treatment. Pathologists use KI67 nuclear proteins' prognostic feature to determine cellular proliferation. High proliferation rate cells have a brownish color when KI67 nuclear protein is applied. Therefore, the quantity of these cells is a crucial part of calculating the proliferation index. In the scope of this thesis, image processing with artificial intelligence techniques is used for labeling cells as KI67 positive and negative. In this study, the Faster R-CNN algorithm was selected for object detection. Faster R-CNN object detectors' accuracy depends on CNN-based feature extractor model. Today, many different CNN models are available for this purpose. In this study, ResNet50, ResNet18, VGG16, VGG19 CNN models were used for feature extractors, and their KI67 cell-labeling performance was tested. Object detection with deep learning techniques depends on the dataset. Dataset images should be labeled before the training process. In this study, two dataset image labeling techniques were implemented: Supervised and Semi-Supervised learning methods. For the Supervised learning method, all dataset images were labeled manually. For the Semi-Supervised learning method dataset, images were labeled with a previously trained Faster R-CNN object detector. Integrating the Semi-Supervised learning system into the Faster R-CNN object detection model, the object-labeling process has achieved more accurate results. In that way, nuclear KI67 expressing glioma cells and non-expressing cells were identified most appropriately.
Benzer Tezler
- Opere edilen erişkin gliom olgularında P53 ve Kİ-67 değerleri ve prognoz üzerine etkileri
Başlık çevirisi yok
SELÇUK SAYDAM
- Akdeniz Üniversitesi Tıp Fakültesi Hastanesi patoloji arşivindeki 10 yıllık (2000-2010) meme kanseri olgularının histopatolojik ve klinikopatolojik özellikleri
Histopathologic - clinicopathologic features of breast cancer cases between 2000-2010 in The Pathology Department of Akdeniz University
KADİR BALABAN
Tıpta Uzmanlık
Türkçe
2013
PatolojiAkdeniz ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
PROF. DR. HADİCE ELİF PEŞTERELİ
- Malign plevral mezotelyomalarda doku mikroarray yöntemiyle immünprofilin incelenmesi
A tissue microarray analysis of immunohistochemical profile in malignant mesothelioma
EDA AKPINAR
Tıpta Uzmanlık
Türkçe
2010
PatolojiAnkara ÜniversitesiPatoloji Ana Bilim Dalı
PROF. DR. SERPİL DİZBAY SAK
- Arı sütü ve rosmarinik asitin yara iyileştirme potansiyelinin araştırılması
Investigation of wound healing potential of royal jelly and rosmarinic acid
YUNUS AKSÜT
Doktora
Türkçe
2024
Biyolojiİstanbul ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. EMİNE ŞEKÜRE NAZLI ARDA
- Pilositik astrositomlarda doku mikroarray yöntemi ile nöral kök hücre immunofenotipik kompozisyonunun ve nüks yönünden riskli grupların araştırılması
Analysis of neural stem cell immunophenotypic composition with tissue microarray method and high-risk groups for recurrence in pilocytic astrocytomas
AYÇA ERŞEN SARAÇOĞLU
Tıpta Uzmanlık
Türkçe
2009
PatolojiDokuz Eylül ÜniversitesiPatoloji Ana Bilim Dalı
PROF. DR. UĞUR PABUÇCUOĞLU