Tissue region segmentation in H&E-stained and IHC-stained pathology slides of specimens from different origins
Farklı organlardan alınan numunelerin H&E-boyalı ve IHC-boyalı patoloji slaytlarında doku bölgesi bölütleme
- Tez No: 857055
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA UMİT ONER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Dijital Patoloji, Doku Bölütleme, Derin Öğrenme, Evrişimsel Sinir Ağları, Digital Pathology, Tissue Segmentation, Deep learning, Convolutional Neural Networks
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 84
Özet
Dijital patolojinin ilerlediği çağda, dijital slaytların ve derin öğrenmeye dayalı karar destek sistemlerinin entegrasyonu klinik uygulamada giderek daha yaygın hale geldi. Bununla birlikte, bu sistemlerin etkinliği büyük ölçüde slayt tarama ve derin öğrenme modelleri için gerekli bir süreç olan doğru doku bölgesi segmentasyonuna bağlıdır. Mevcut metodolojiler, özellikle farklı boyama türlerinde veya debris ve artefaktların olduğu görüntülerde doku bölgelerini doğru şekilde tespit edememektedir. Bu çalışma, dijital patoloji slaytlarında doku bölütlemek için yüksek hesaplama gücü gerektirmeyen ve geniş bir aralıkta çalışabilen bir derin öğrenme sistemi geliştirmeyi amaçlamaktadır. Sistemin çekirdeği olarak, çeşitli doku türlerinin farklı boyamalara sahip patoloji slaytlarındaki doku bölgelerini tespit eden hızlı ve doğru bir derin öğrenme modeli geliştirildi. Model, yedi farklı enstitüden toplanan yedi doku tipinin veri kümeleri üzerinde eğitilmiş ve test edilmiştir. Dahili ve harici doğrulama çalışmaları, alıcı çalışma özellikleri eğrisi altındaki alan değerlerinin 0,98'den büyük olduğu umut verici sonuçlar üretmiştir. Model 19,8 MB'lık bir bellek alanına ihtiyaç duymakta ve dijital patoloji slaytını yaklaşık 22 saniyede bölütlemektedir. Model, tarama sürecini iyileştirmek için dijital slayt tarayıcılarda ve derin öğrenmenin ön işleme aşamalarında, yüksek kaliteli veri kümelerinin hazırlanmasında kullanılabilir.
Özet (Çeviri)
In the era of advancing digital pathology, integrating digital slides and deep learning-based decision support systems has become increasingly prevalent in clinical practice. However, the effectiveness of these systems heavily relies on accurate tissue region segmentation, a process essential for slide scanning and deep learning models. Current methodologies do not accurately detect tissue regions, especially in diverse staining scenarios or debris-laden images. This study aims to develop a lightweight and robust deep-learning framework to segment tissue regions in digital pathology slides. A fast and accurate deep learning model detecting tissue regions in pathology slides of various tissue types with different staining is developed as the framework's core. The model is trained and tested on datasets of seven tissue types collected from seven different institutes. Internal and external validation studies have shown promising results with area under receiver operating characteristics curve values greater than 0.98. The model has a memory footprint of 19.8 MBs, and it takes approximately 22 seconds to segment out a digital pathology slide. The model could be used in digital slide scanners to improve the scanning process and in the pre-processing stages of deep learning pipelines to prepare high-quality datasets.
Benzer Tezler
- Image processing algorithms for histopathological images
Histopatolojik imgeler için imge işleme algoritmaları
OĞUZHAN OĞUZ
Yüksek Lisans
İngilizce
2016
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ENİS ÇETİN
- Bitewing radyograflardaki diş çürüklerinin anlamsal bölütleme yapay zekâ modeliyle değerlendirilmesi
Evaluation of dental caries on bitewing radiographs by semantic segmentation Al model
HALİL İBRAHİM ÖZDEMİR
Yüksek Lisans
Türkçe
2022
BiyomühendislikKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KASIM
- Automatic detection of epidural hematoma on the brain by using image processing techniques
Görüntü işleme tekniklerini kullanarak beyindeki epidural hematomların otomatik tespiti
SAWSAN DHEYAA MAHMOOD MAHMOOD
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖRKEM SERBES
- Lokal ileri rektum kanserinde neoadjuvan kemoradyoterapi sonrası tam yanıtın öngörülmesinde radyomiks analizinin kullanılması
Radiomics analysis for evaluating treatment response after neoadjuvant chemoradiotherapy in locally advanced rectum cancer
GİZEM KAVAL
Tıpta Uzmanlık
Türkçe
2023
Radyasyon Onkolojisiİstanbul ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
DOÇ. DR. RABİA NERGİZ DAĞOĞLU SAKİN
- Deep learning based unsupervised tissue segmentation in histopathological images
Histopatolojik görüntülerde derin öğrenme temelli öğreticisiz doku bölütlemesi
TROYA ÇAĞIL KÖYLÜ
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR