Automatic segmentation of leukemia cancer cells on hemocytometer
Hemositometre üzerindeki lösemi kanser hücrelerinin otomatik segmentasyonu
- Tez No: 739066
- Danışmanlar: PROF. DR. FATİH VEHBİ ÇELEBİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 58
Özet
Hücre sayımı, laboratuvar iş akışında önemli bir adım olarak hücre sayısını ve hücre yoğunluğunu belirlemek için kullanılır. Hücre yoğunluğunun belirlenmesi, hem hastalıkların doğru ve kesin teşhisi hem de ilaç deneyleri için çok önemlidir. Hücre sayma makinelerinin yüksek maliyeti nedeniyle, uzmanlar genellikle hücreleri hemositometre ile manuel olarak sayarlar. Hücreleri manuel olarak saymak hem zahmetli hem de zaman alıcı bir işlemdir. Bu çalışmada, hücreleri otomatik olarak saymak için derin öğrenmeye dayalı semantik hücre segmentasyon yöntemi sunulmaktadır. Çalışmada analiz edilen veri seti, hücre kültüründen alınan HL60 lösemi kanser hücrelerinin hemositometre üzerindeki 468 adet ışık mikroskobu görüntüsünden oluşmakadır. 468 görüntüden 421 i k=5 katlamalı çapraz doğrulama ve 47 si model doğrulama için ayrılmıştır. U-Net ile oluşturulan modelin eğitim performansını değerlendirmek için piksel doğruluğu ve ortalama birlik üzerinden kesişme (IoU) metrikleri kullanılmıştır. Izgara arama algoritmasıyla hiper-parametrelerin optimizasyonu uygulanmıştır. Sonuç olarak, ortalama piksel doğruluğu yüzde 98 ve ortalama IOU ise yüzde 87 elde edilmiştir. Test görüntülerinde 636 hücre bulunmakta olup, segmentasyon sonuçlarından bağlantılı bileşen analizi kullanılarak elde edilen hücre sayısı 511'dir. Böylece yüzde 80 oranında hücre tespit edilmiştir. Çalışmada geliştirilen yöntem uygulamaya aktarılarak, uzmanlar maliyetli olan hücre sayma makinesi kullanmadan hücre sayma işlemini otomatik olarak gerçekleştirebilirler. Bu nedenle sunulan yöntemin hem zaman hem de bütçe tasarrufuna katkı sağlayacağı düşünülmektedir.
Özet (Çeviri)
Cell counting is used to determine cell number and cell density as a key step in the laboratory workflow. Determining cell density is very important both for accurate and precise diagnosis of diseases and drug experiments. Due to the high cost of the cell counting machines, specialists often count cells manually with a hemocytometer. Counting cells manually is both a laborious and time-consuming activity. In this study, semantic cell segmentation method based on deep learning is presented to count cells automatically. The data set that is analyzed in this study contains 468 light microscope images of HL60 leukemia cancer cells on the hemocytometer that are taken from cell culture. 421 of 468 images in the image set were reserved for use with k=5 fold cross-validation and 47 for model validation. Pixel accuracy and mean intersection over union (IoU) metrics were used to evaluate the training performance of the model built with U-Net. Hyper-parameters optimization was applied by Grid Search Algorithm. As a result, average pixel accuracy was achieved 98 percent and average IoU 87 percent. There are 636 cells in the test images and the number of cells acquired by using connected component analysis from the segmented results is 511. Thus, the cell detection rate was achieved 80 percent. By transferring the method developed in this study into application, experts can carry out cell counting procedure automatically without using a costly cell counting machine. Therefore, it is thought that the presented method will contribute both time and budget saving.
Benzer Tezler
- Image processing based analysis and quantification of micro biomaterials and cells for biochip
Biyoçipler için mikro biyomalzemelerin ve hücrelerin görüntü işleme yöntemleri ile otomatik olarak sayılması ve analizi
FATMA ÇELEBİ
Doktora
İngilizce
2023
BiyomühendislikAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KUTAY İÇÖZ
- Kanserli lökosit hücrelerinin tespit ve sınıflandırılmasında dinamik bölütleme
Determinationand classification of cancerous leukocyte cells with dynamic segmentation method
ÖMER KASIM
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
YRD. DOÇ. AHMET EMİN KUZUCUOĞLU
- Akut Myeloid Lösemi'li olgularda serum soluble endoglin (CD105) düzeyinin prognostik önemi
Prognostic importance of serum soluble endoglin (CD105) level in cases with Acute Myeloid Leukemia
MUHAMMED EMİN SOYDAN
Tıpta Uzmanlık
Türkçe
2024
HematolojiAtatürk Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. GÜLDEN SİNCAN
- Automatic segmentation of mitochondria in scanning electron microscopy images
Taramalı elektron mikroskobu görüntülerinde mitokondrilerin otomatik olarak bölütlenmesi
MEHMET ÇAĞRI GÜVEN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. ÜNAL ERKAN MUMCUOĞLU
- Derin öğrenme algoritmaları kullanılarak çay alanlarının otomatik segmentasyonu
Automatic segmentation of tea fields by using deep learning algorithms
SALİH BOZKURT
Yüksek Lisans
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM