Geri Dön

Derin öğrenme ile histopatoloji görüntülerinde çekirdek örnek bölütleme

Nuclei instance segmentation in histopathology images with deep learning

  1. Tez No: 887491
  2. Yazar: SERDAR YILDIZ
  3. Danışmanlar: PROF. DR. SONGÜL VARLI, DR. ÖĞR. ÜYESİ ABBAS MEMİŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Patoloji, Computer Engineering and Computer Science and Control, Pathology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 119

Özet

Çekirdeklerin şekli, boyutu ve dağılımındaki anormallikler, kanserli dokuların titizlikle incelenmesinde temel göstergeler olarak hizmet ettiğinden, çekirdek yapıları hastalık teşhisinde çok önemli bir rol oynar. Bu nedenle, çekirdek örnek bölütleme görevi, her bir çekirdekğin kapsamlı ve ayrıntılı morfolojik değerlendirmelerine izin verdiği için çok önemlidir. Segmentasyon tekniklerini geliştirerek, etkili tedavi planlaması ve daha iyi sağlık hizmetleri çözümleri için kesinlikle gerekli olan daha hızlı ve daha doğru teşhisleri kolaylaştırabiliriz. Bu tez, çeşitli modeller geliştirip ölçümleyerek histopatoloji görüntülerinde çekirdek örneği segmentasyonunu titizlikle incelemektedir. UNet tabanlı semantik segmentasyonu, genel amaçlı örnek segmentasyon modellerini ve HoVer-Net ve StarDist gibi medikal alana özgü modelleri araştırmaktadır. Ayrıca HR-YOLO ve YOLO-U gibi yeni yaklaşımlar sunuyoruz ve MoNuSeg, CMP17, CoNIC ve CoNSeP veri kümeleriyle alanlar arası testleri kullanarak kapsamlı bir analiz sağlıyoruz. Önerilen çekirdek örnek bölütleme modelimiz HR-YOLO, YOLO mimarisinin küçük ölçekli nesne algılamayı optimize eden geliştirilmiş bir versiyonudur. Önerilen diğer model olan YOLO-U, UNet anlamsal bölümleme yeteneklerini YOLOv7'nin tespit yetenekleriyle birleştiren bir topluluk tekniğidir. Bu çalışma, çalışmalar arasında adil karşılaştırmayı mümkün kılmak için standartlaştırılmış bir deney ortamı oluşturmakta ve çekirdek örnek bölütlemesi konusunda gelecekteki araştırmalar için bir referans noktası oluşturarak alana önemli ölçüde katkıda bulunmaktadır.

Özet (Çeviri)

Nuclear structures play a crucial role in disease diagnosis, as abnormalities in the shape, size, and distribution of nuclei serve as key indicators in the meticulous examination of cancerous tissues. Therefore, the task of nuclei instance segmentation is essential since it allows comprehensive and detailed morphological assessments of individual nuclei. By improving segmentation techniques, we can facilitate quicker and more accurate diagnoses, which are absolutely essential for effective treatment planning and better health care solutions. This thesis rigorously examines nuclei instance segmentation in histopathology images by developing and evaluating various models. It explores UNet-based semantic segmentation, general-purpose instance segmentation models, and medical field specific models like HoVer-Net and StarDist. We also introduce novel approaches, such as HR-YOLO and YOLO-U, and provide a thorough analysis using cross-domain tests with MoNuSeg, CMP17, CoNIC, and CoNSeP datasets. Our proposed nuclei instance segmentation model, HR-YOLO, is an enhanced version of the YOLO architecture that optimizes small-scale object detection. The other proposed model, YOLO-U, is an ensemble technique that combines UNet semantic segmentation capabilities with the detection capabilities of YOLOv7. This study establishes a standardized experimental setup to enable fair comparison across studies, contributing significantly to the field by setting a benchmark for future research on nuclei instance segmentation.

Benzer Tezler

  1. Derin metrik öğrenme ile histopatolojik görüntülerin sınıflandırılması

    Classification of histopathological images with deep metric learning

    MAHMUT KAYA

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HASAN ŞAKİR BİLGE

  2. Nuclei segmentation and classification in histopathology images using deep neural networks

    Derin sinir ağları kullanarak histopatoloji görüntülerinde çekirdek segmentasyonu ve sınıflandırması

    MUHARREMCAN GÜLYE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FERİŞTAH DALKILIÇ

  3. Dijital histopatoloji görüntüleri üzerinde meme kanseri tespiti

    Detection of breast cancer on digital histopathology images

    ZEYNEP YILDIRIM

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. REFİK SAMET

  4. Detection and classification of nuclei in histopathological images

    Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması

    ROAA SAFI ABED ALAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  5. Nuclei segmentation with generative adversarial networks

    Çekişmeli üretici ağlar ile hücre çekirdeği bölütleme

    ONUR CAN KOYUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM