Vision transformer tabanlı öz denetimli öğrenme ile histopatolojik görüntülerde mitoz hücrelerinin tespiti
Detection of mitosis cell in histopathological images using vit-based self-supervised learning
- Tez No: 882959
- Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN ACAR, DOÇ. DR. ABDÜLKADİR ALBAYRAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Doku içerisindeki mitozlu hücrelerin belirlenmesi, kanser, parkinson, viral enfeksiyonlar gibi hastalıkların teşhis edilmesi ve uygulanacak tedavinin belirlenmesi açısından büyük önem taşımaktadır. Doku bilimciler, hastadan alınan doku örneklerini manuel olarak inceleyerek mitozlu hücreleri tespit ederler. Ancak bu işlem, doktorlar için zaman alıcı ve yorucudur. Ayrıca, çok sayıda hücre inceleme sürecine maruz kalan doktorların hata yapma olasılığı da artmaktadır. Bilgisayarlı görü teknikleri kullanılarak bu işlemlerin otomatik bir şekilde yapılması ve mitozlu hücrelerin tespit edilmesi mümkündür. Mitozlu hücrelerin bilgisayarlı görü ile tespit edilmesi, harcanan zamanı ve hata oranını azaltacaktır. Bu çalışmada, geleneksel makine öğrenimi ve derin öğrenme yöntemlerinin biyomedikal görüntülerde hücre tespiti performansları değerlendirilmiştir. Geleneksel makine öğrenmesi yöntemi olarak Yerel İkilik Desen algoritması, derin öğrenme yöntemi olarak ise Transformer ve CNN tabanlı olmak üzere 3 farklı yöntem kullanılmıştır. Transformer tabanlı yöntemler Vision Transformer, XCIT algoritmalarıdır. CNN tabanlı yöntem olarak ise ResNet50 algoritması kullanılmıştır. Derin öğrenme tabanlı yöntemler sadece denetimli olarak değil özdenetimli öğrenme yaklaşımı kullanılarak da eğitilmiş ve özellikle temel modellerin biyomedikal görüntüler üzerindeki performansları değerlendirilmiştir. Elde edilen sonuçların güvenilirliğini artırmak ve en iyi performansı elde etmek için yapılan deneyler derin öğrenme modellerinin farklı parametreleri ile tekrarlanmış ve sonuçlar paylaşılmıştır. Dengesiz veri kümesi problemi geleneksel makine öğrenmesi veya derin öğrenme algoritmaları için aşılması gereken bir problemdir. Dengesiz veri kümesi problemi kullanılan algoritmaların performansını düşürmekte ve istenilen sonucun elde edilmesini engellemektedir. Kullanılan yöntemlerin biyomedikal görüntülerde oldukça sık karşılaşılan dengesiz veri kümesi problemine karşı ne kadar dayanıklı oldukları da deneyler vasıtasıyla gözlemlenmiş ve sonuçları paylaşılmıştır. Çalışmada, algoritmaların performanslarının ölçülebilmesi için literatürde eski bir veri kümesi olan ICPR2014 ile son yıllarda yayımlanan MIDOG2021 ve MIDOG2022 veri kümeleri kullanılmıştır.
Özet (Çeviri)
The identification of mitotic cells within tissue is of great importance for the diagnosis of diseases such as cancer, parkinson's, and viral infections, as well as for determining the appropriate treatment. Pathologist manually examine tissue samples taken from patients to detect mitotic cells. However, this process is time-consuming and tiring for doctors. Additionally, the likelihood of errors increases as doctors are exposed to examining a large number of cells. It is possible to automate these processes using computer vision techniques to detect mitotic cells. The detection of mitotic cells through computer vision will reduce the time spent and the error rate. In this study, the performance of traditional machine learning and deep learning methods in cell detection in biomedical images was evaluated. The Local Binary Pattern algorithm was used as the traditional machine learning method, while three different methods were used as deep learning methods: Transformer-based and CNN-based approaches. The Transformer-based methods are Vision Transformer and XCIT algorithms, and the CNN-based method is the ResNet50 algorithm. Deep learning-based methods were trained not only using supervised learning but also using a self-supervised learning approach to evaluate and the performance of foundational models on biomedical images. To increase the reliability of the results and achieve the best performance, experiments were repeated with different parameters of deep learning models, and the results were shared. The imbalanced dataset problem is a significant issue for both traditional machine learning and deep learning algorithms. It reduces the performance of the algorithms and hinders the achievement of the desired results. The robustness of the methods against the imbalanced dataset problem, which is frequently encountered in biomedical images, was also observed through experiments and the results were shared. In the study, to measure the performance of the algorithms, an older dataset from the literature, ICPR2014, as well as more recent datasets, MIDOG2021 and MIDOG2022, were used.
Benzer Tezler
- Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks
Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi
FURKAN ÖZÇELİK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Spherical vision transformers for audio-visual saliency prediction in 360◦ videos
360◦ videolarda görsel-işitsel belirginlik tahmini için küresel görüntü dönüştürücüleri
MERT ÇÖKELEK
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM AYKUT ERDEM
- Görüntü sınıflandırmada yineleyen derin ağ ve görü dönüştürücü modellerinin karşılaştırılması
Comparison of recurrent deep network and vision transformer models in image classification
OĞUZHAN BUBO
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Deep learning methods for blind super resolution using self-attention transformers and degradation estimations
Öz-dikkat dönüştürücüler ve bozulma tahminleri kullanarak kör süper çözünürlük için derin öğrenme yöntemleri
BATUHAN VARDAR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ