Dijital histopatolojide boya normalizasyonu için dalgacık bilgi damıtma uygulama ve analizi
Application and analysis of wavelet knowledge distillation for stain normalization in digital histopathology
- Tez No: 892966
- Danışmanlar: PROF. DR. MURAT EKİNCİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 60
Özet
Boya normalizasyonu, özellikle histolojik görüntülerde renk farklılıklarının minimize edilmesi ve görüntülerin tutarlılığının artırılması açısından kritik bir öneme sahiptir. Koşullu Üretken Çekişmeli Ağ modellerinden olan Pix2Pix modelinin, Dalgacık Bilgi Damıtma yöntemi temel alınarak, karmaşık modellerin sıkıştırılması ve verimli hale getirilmesi amaçlanmıştır. Dalgacık Bilgi Damıtma yöntemi, öğretmen modelden öğrenci modele bilgi aktarımını yüksek ve düşük frekanslı bileşenlere ayrıştırarak gerçekleştirir. Yüksek frekanslı bileşenler detaylı yapısal bilgileri taşırken, düşük frekanslı bileşenler genel renk ve şekil bilgilerini içermektedir. Öğretmen ve öğrenci modellerinin boya normalizasyonu üzerindeki etkisi değerlendirilmiştir. Aynı numunenin iki farklı tarayıcıdan alınan görüntülerini barındıran MITOS-ATYPIA veri seti kullanılarak gerçekleştirilen deneyler sonucunda, Dalgacık Bilgi Damıtma yönteminin öğrenci modelinin öğretmen modeline yakın performans gösterdiği ve daha hızlı sonuçlar ürettiği gözlemlenmiştir. Özellikle gerçek zamanlı uygulamalar için umut verici olan bu yöntem, Bilgisayar Destekli Tanı sistemlerinde boya normalizasyonunun etkin bir şekilde uygulanmasına olanak tanımaktadır. Dalgacık Bilgi Damıtma yöntemi ile boya normalizasyonunun daha verimli hale getirilmesi sağlanmış, model boyutuna göre yüksek ve düşük frekanslı bileşenlerin etkili bir şekilde ayrıştırılması ile modelin performansı artırılmıştır.
Özet (Çeviri)
Stain normalization has a critical importance in terms of minimizing colour differences and increasing the consistency of images, especially in histological images. The Pix2Pix model, which is one of the Conditional Generative Adversarial Network models, is based on the Wavelet Knowledge Distillation method, and it is aimed to compress complex models and make them efficient. The Wavelet Knowledge Distillation method carries out the knowledge transfer from the teacher model to the student model by decomposing it into high and low frequency components. High frequency components carry detailed structural information, while low frequency components contain general colour and shape information. The effect of teacher and student models on stain normalization was evaluated. As a result of the experiments carried out using the MITOS-ATYPIA dataset, which contains images of the same sample taken from two different scanners, it was observed that the student model of the Wavelet Knowledge Distillation method performs close to the teacher model and produces faster results. This method, which is especially promising for real-time applications, enables the effective application of stain normalization in Computer Aided Diagnosis systems. With the Wavelet Knowledge Distillation method, stain normalization is made more efficient and the performance of the model is improved by effectively separating high and low frequency components according to the model size.
Benzer Tezler
- Hematoksilen-eozin ve floresan ın situ hibridizasyon ile boyanan histopatoloji görüntülerinin imge çakıştırma yöntemleriyle ile eşleştirilmesi
Matching of histopathology images stained with hematoxylin-eosin and fluorescent in situ hybridization with image registration methods
ZAFER SÜNETCİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medeniyet ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURULLAH ÇALIK
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Yüksek boyutlu model gösterilimi kullanılarak histopatolojik görüntülerde leke ayırma işlemi
Stain separation process on histopathological images using high dimensional model representation
AYÇA CEYLAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA
- Helicobacter pylori gastriti saptanan çocukların sosyo-demografik, klinik ve laboratuvar özelliklerinin incelenmesi ve tanı koymada histopatolojide optimal gastrik mukozal biyopsi bölgesinin belirlenmesi
Evaluation of the socio-demographic, clinical, and laboratory characteristics of children diagnosed with Helicobacter pylori gastritis and identification of the optimal gastric mucosal biopsy site for histopathological diagnosis
FATİH IŞIK
Tıpta Uzmanlık
Türkçe
2025
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. GÜNSEL KUTLUK
- Histopatolojik görüntülerde mitoz belirleme
Mitosis detection in histopathological images
ABDÜLKADİR ALBAYRAK
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN BİLGİN