Derin öğrenme ile histopatoloji görüntülerinde çekirdek örnek bölütleme
Nuclei instance segmentation in histopathology images with deep learning
- Tez No: 887491
- Danışmanlar: PROF. DR. SONGÜL VARLI, DR. ÖĞR. ÜYESİ ABBAS MEMİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Patoloji, Computer Engineering and Computer Science and Control, Pathology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- 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
- Derin metrik öğrenme ile histopatolojik görüntülerin sınıflandırılması
Classification of histopathological images with deep metric learning
MAHMUT KAYA
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERİŞTAH DALKILIÇ
- Dijital histopatoloji görüntüleri üzerinde meme kanseri tespiti
Detection of breast cancer on digital histopathology images
ZEYNEP YILDIRIM
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK SAMET
- Detection and classification of nuclei in histopathological images
Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması
ROAA SAFI ABED ALAH
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- 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