Use of subgraph mining in histopathology image classification
Histopatoloji görüntü sınıflandırmasında alt çizge madenciliği
- Tez No: 756807
- Danışmanlar: PROF. DR. SELİM AKSOY
- 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: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Meme kanseri kadınlarda en sık görülen kanserdir ve ölüm oranı yüksektir. Uzmanların meme kanseri biyopsi örneklerini daha iyi analiz etmesine yardımcı olmak için bilgisayarla görü teknikleri kullanılabilir. Çizge sinir ağları (ÇSA), meme kanseri görüntülerinin sınıflandırılmasını çözmek için yaygın olarak kullanılmaktadır. Bu alandaki görüntülerin boyutları değişkendir ve ÇSA'lar değişen boyuttaki girdilere uygulanabilir. Çizgeler, çizgenin düğümleri arasındaki ilişkileri saklayabilir ve bu, ÇSA'ların bir çözüm olarak tercih edilmesinin bir başka nedenidir. Bu tezde meme histopatolojisi görüntülerinde ilgi bölgelerin (İB) sınıflandırılmasında alt çizge madenciliğinin kullanımını inceliyoruz. Çizgenin düğümleri olarak çekirdek açısından zengin bölgelerde örneklenen pencereleri kullanarak İB örneklerini çizge ile temsil ediyoruz. Histopatoloji görüntülerini sınıflandırırken hem mikro hem de makro düzeyde bilgi gereklidir. Pencereler, mikro düzeydeki bilgileri modellemek için kullanılır. Sıklıkla ortaya çıkan alt çizgeleri belirlemek için elde edilen çizgelere alt çizge madenciliği uyguluyoruz. Her alt çizge, daha üst düzey bilgileri temsil etmek için kullanılabilecek az sayıda pencereden ve bunların ilişkilerinden oluşur. Ayrıca, daha büyük boyutlu pencereler içeren bir kayar pencere mekanizması uygulayarak İB düzeyindeki özellikleri çıkarıyoruz. İB düzeyindeki özellikler, alt çizge özellikleri ve çizge evrişimli ağlardan elde edilen üçüncü bir gösterim, İB'ler hakkında makro düzeydeki bilgileri modellemek için birleştirilir. Ayrıca alt çizgeleri ek düğüm olarak çizge temsiline yerleştirmeyi de çalışıyoruz. Önerilen modeller, tam spektrumdan dört tanı kategorisini içeren zorlu bir meme patolojisi veri setinde değerlendirilmiştir. Deneyler, alt çizgelerin görüntü gösterimine dahil edilmesinin sınıflandırma doğruluğunu geliştirdiğini ve birleştirilmiş özellik gösteriminin bir ablasyon çalışmasında bireysel gösterimlerden daha iyi performans gösterdiğini göstermektedir.
Özet (Çeviri)
Breast cancer is the most common cancer in women and has a high mortality rate. Computer vision techniques can be used to help experts to analyze the breast cancer biopsy samples better. Graph neural networks (GNN) have been widely used to solve the classification of breast cancer images. Images in this field have varying sizes and GNNs can be applied to varying sized inputs. Graphs can store relations between the vertices of the graph and this is another reason why GNNs are preferred as a solution. We study the use of subgraph mining in classification of regions of interest (ROI) on breast histopathology images. We represent ROI samples with graphs by using patches sampled on nuclei-rich regions as the vertices of the graph. Both micro and macro level information are essential when classifying histopathology images. The patches are used to model micro-level information. We apply subgraph mining to the resulting graphs to identify frequently occurring subgraphs. Each subgraph is composed of a small number of patches and their relations, which can be used to represent higher level information. We also extract ROI-level features by applying a sliding window mechanism with larger sized patches. The ROI-level features, subgraph features and a third representation obtained from graph convolutional networks are fused to model macro-level information about the ROIs. We also study embedding the subgraphs in the graph representation as additional vertices. The proposed models are evaluated on a challenging breast pathology dataset that includes four diagnostic categories from the full spectrum. The experiments show that embedding the subgraphs in the graph representation improves the classification accuracy and the fused feature representation performs better than the individual representations in an ablation study.
Benzer Tezler
- A distributed graph mining framework based on mapreduce
Eşle/indirge yöntemi üzerine kurulu dağıtık bir ağ madenciliği gerçeklemesi
SERTAN ALKAN
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. TOLGA CAN
- Frequent subgraph mining over dynamic graphs
Değişken veri üzerinde sık alt çizge madenciliği
NOURHAN N I ABUZAYED
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. BELGİN ERGENÇ BOSTANOĞLU
- Structural scene analysis of remotely sensed images using graph mining
Uydu görüntülerinin çizge madenciliği ile yapısal sahne analizi
BAHADIR ÖZDEMİR
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SELİM AKSOY
- Çizgelerin Sperner sayıları
Sperner number of graph
GÜLNUR BAŞER
Yüksek Lisans
Türkçe
2009
MatematikSüleyman Demirel ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. YUSUF CİVAN