Mikroskobik hücre görüntülerinde derin öğrenme ile hücre tespiti ve sayımı
Cell detection and counting using deep learning methods in microscopic cell images
- Tez No: 844129
- Danışmanlar: PROF. DR. NECAATTİN BARIŞÇI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 70
Özet
Canlılığı oluşturan ve vücudumuzda bulunan en küçük yapı birimimiz hücredir. En temel yapımız olmasından dolayı hücreler üzerine yapılan çalışmaların klinik çalışmalarında ve akademik çalışmalarda önemli bir yeri bulunmaktadır. Hem klinik çalışmalarında hem akademik çalışmalarda hücrelerin tespiti ve sayımı ortak bir alan olarak görülmektedir. Hücre tespiti ile hücrenin bağlı olduğu birime ait işlevini yitirmesi ile bozulması veya hasar alması ya da mutasyona uğrayarak çoğalması vb. davranışlar tespit edilir. Ardından en temel ve önemli testlerden olan hücre sayımı ile enfeksiyona uğrayıp ölen ya da mutasyona uğrayıp çoğalan hücrelerin tespiti yapılır. Bu işlemler sayesinde hastalıkların tıbbi teşhisi, takibi ve değerlendirilmesi yapılmaktadır. Hücre tespiti ve sayımı için kullanılan makineler veya insan gözü ile yapılan sayımların maliyet, hata oranı, çok uzun sürmesi gibi dezavantajları olan bir işlem olmasından dolayı için akademik çalışmalarda maliyeti azaltmaya yönelik çalışmalar yapılmaktadır. Ancak çok sayıda literatür çalışmasına rağmen bu problem tam olarak çözülmemiştir. Yapılan bu çalışmada amaç hücre görüntülerinden oluşan bir veri seti kullanarak derin öğrenme yöntemleri kullanıp, onları geliştirerek hücre tespiti yapmak ve temel görüntü işleme yöntemlerini kullanarak hücrelerin sayımını yapmaktır. Çalışmada U-Net ve V-Net modelleri üzerinde çalışılmıştır. İlgili modeller üzerinde yapılan geliştirmeler sayesinde orijinal U-Net Modeli Residual Bloklar ile geliştirilmiş ve U-Net modeli ve geliştirilmiş U-Net modeli bir araya getirilerek yeni bir model oluşturulmuştur. Bu model literatürde hücre tespiti ve sayımında literatürde kullanıldığı görülen BBBC005 adlı hücre görüntülerinden oluşan veri setine uygulanmış ve %96,15'lik bir doğruluk oranı almıştır. Çalışma sonucunda hücreler tek tek tespit edilmiştir. Aynı zamanda hücrelerin tespiti işlemi ardından kullanılan scikit-image kütüphanesi ile tespit etmiş olduğu hücrelerin sayımı yapılmıştır. Elde edilen sonuçlar ayrıca görselleştirilerek çalışmanın güvenilirliği arttırılmak istenmiştir.
Özet (Çeviri)
The smallest structural unit that constitutes life and is found in our body is the cell. Since it is our most basic structure, studies on cells have an important place in clinical studies and academic studies. Detection and counting of cells is seen as a common area in both clinical studies and academic studies. By cell detection, the cell loses the function of the unit to which it is connected, deteriorates or gets damaged, or mutates and multiplies, etc. behaviors are detected. Then, cell counting, one of the most basic and important tests, detects cells that are infected and die or mutate and multiply. Thanks to these procedures, medical diagnosis, follow-up and evaluation of diseases are made. Since the machines used for cell detection and counting or the counts made by the human eye have disadvantages such as cost, error rate, and long duration, studies are carried out in academic studies to reduce the cost. However, despite numerous literature studies, this problem has not been fully solved. The aim of this study is to detect cells by using deep learning methods and developing them using a data set consisting of cell images, and to count cells using basic image processing methods. In the study, U-Net and V-Net models were studied. Thanks to the improvements made on the relevant models, the original U-Net Model was improved with Residual Blocks and a new model was created by combining the U-Net model and the improved U-Net model. This model was applied to the data set consisting of cell images called BBBC005, which is seen to be used in the literature for cell detection and counting, and received an accuracy rate of 96,15%. As a result of the study, cells were identified one by one. At the same time, after the cell detection process, the detected cells were counted with the scikit-image library used. The obtained results were also visualized to increase the reliability of the study.
Benzer Tezler
- Deep learning based segmentation pipeline for label-free phase-contrast microscopy images
Etiketsiz faz-kontrast mikroskopi görüntüleri için derin öğrenme tabanlı segmentasyon boru hattı
AYDIN AYANZADEH
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
DOÇ. DR. DEVRİM ÜNAY
- An innovative and accurate deep learning based HER2 scoring method HER2-unet
HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım
FARIBA DAMBAND KHAMENEH
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF. DR. MUSTAFA ERSEL KAMAŞAK
- Detection of liver fibrosis on slide-level labeled unstained biopsies by quantitative phase imaging and multiple instance learning
Karaciğer fibrozisinin slayt seviyesinde etiketlenmiş boyasız biyopsilerden kantitatif faz görüntüleme ve çoklu örnek öğrenmeyle tespiti
LÜTFİ KADİR ÇELEBİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Nuclei segmentation with generative adversarial networks
Çekişmeli üretici ağlar ile hücre çekirdeği bölütleme
ONUR CAN KOYUN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Bölütlenmiş histopatolojik görüntüler üzerinde derin öğrenme yöntemiyle kolon kanseri tespiti
Detecting colon cancer using deep learning on segmented histopathological images
ULAŞ YURTSEVER
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRETTİN EVİRGEN