Geri Dön

Histopatolojik görüntülerde bez bölütleme için çoklu görev öğrenimi

Multi-task learning for gland segmentation in histopathological images

  1. Tez No: 899138
  2. Yazar: İMAN REZAZADEHKHIAVI
  3. Danışmanlar: PROF. DR. PINAR DUYGULU ŞAHİN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 108

Özet

Histolojik görüntüler tıp biliminde kanserin tespiti ve derecelendirilmesinde çok önemli bir rol oynamaktadır. Her ne kadar iyi eğitimli patologlar bu görevleri yerine getirebilse de süreç zaman alıcıdır ve hatalara açıktır. Dijital mikroskopların gelişmesi, yüksek kaliteli dijital histoloji görüntülerinin oluşturulmasını kolaylaştırarak dijital görüntü işlemedeki son gelişmelerden yararlanmamıza olanak sağlamıştır. Histopatolojik görüntü analizinde ilk adım, bazı organlar için bez morfolojisinin çıkarılmasıdır, bu da bez bölütlemesi gerektirir. Geleneksel bez bölümleme yöntemleri genellikle bez yapıları hakkında düşük düzeyli varsayımlara dayanır. Ancak, bez yapıları, slayt hazırlama sırasında hastalıklardan veya deformasyonlardan etkilenerek şekil ve boyut açısından önemli farklılıklar gösterebilir. Boyama işlemine bağlı olarak slaytlardaki renk değişimleri de düşük seviyeli özellikleri bez bölütlemesi için yetersiz hale getirebilir. Derin öğrenme ve dijital görüntü bölütlemedeki son gelişmeler umut verici alternatifler sunmaktadır. Literatürdeki çok sayıda bölütleme yöntemi, şekil ve boyut çeşitliliğinin, histoloji görüntülerindeki nesnelerin yüksek yoğunluğunun ve bu alandaki sınırlı etiketli görüntülerin yaratığı zorluklarla mücadele etmektedir. Önerilen birçok yöntem, bezleri arka plandan etkili bir şekilde ayırırken, bezler yakın olduğunda onları birbirlerinden ayırmakta genellikle başarısız olurlar. Bu tez, kolon bezi bölütlemesi için çeşitli çok görevli yöntemler önermektedir. Öncelikle, bez morfolojisi çıkarımını iyileştirmek ve bitişik bezleri ayırmak için bez sınırlarındaki bölütleme sonuçlarını geliştirmek hedeflenmiştir. Bu amaçla bez çevritleri kullanılmıştır. Ancak bu yöntem“dokunan bezler”dediğimiz birbirine yakın konumdaki bezlerle uğraşırken yetersiz kalmaktadır. Dokunan bezler arasındaki sınırları ele almak için bunlar modelimize ek bilgi olarak dahil edilmiştir. Çok ölçekli bir model oluşturmak için, alt örneklenmiş bölge etiketleri kullanılmıştır. Modelimizin bez yapısını çıkarma yeteneğini desteklemek için modelimize iskelet görüntüleri de eklenmiştir. Nesneler arası farklılığı ve nesne içi benzerliği arttırmak için ayrıca kütle koordinatlarının merkezi modelimize eklenmiştir. Önerdiğimiz yöntem, halka açık GlaS ve CRAG veri kümeleri kullanılarak değerlendirmeye tabi tutulmuştur. Hem niceliksel hem de niteliksel ölçümleri kapsayan en son teknolojiye sahip sonuçlara karşı yapılan karşılaştırmalı analizler, yöntemimizin güçlü bölütleme yeteneklerini göstermektedir.

Özet (Çeviri)

Analysis of histopathological images plays a crucial role in cancer detection and grading. Although well-trained pathologists can perform these tasks, the process is time-consuming and prone to errors. The advancement of digital microscopes facilitates the creation of high-quality digital histology images and allows us to harness recent developments in digital image processing. The first step in histopathological image analysis is the extraction of gland morphology for some organs, necessitating gland segmentation. Traditional gland segmentation methods often rely on low-level assumptions about gland structures. However, gland structures exhibit considerable variability in shape and size, influenced by diseases or deformations during slide preparation. Additionally, the color variations in slides, dependent on the staining process, render low-level features ineffective for gland segmentation. Recent progress in deep learning and digital image segmentation provides promising alternatives. Numerous segmentation methods in the literature struggle with the challenges posed by the variety of shapes and sizes, the high density of objects in histology images, and the limited labeled images in this field. While many proposed methods effectively separate glands from the background, they often fail to separate them from each other when glands are close. This thesis proposes a multi-task learning architecture for clone gland segmentation. Initially, we aim to enhance segmentation results at the gland borders to improve gland morphology extraction and separate adjacent glands. Gland contours are used to this end, but they are insufficient when dealing with closely positioned glands, which we call“touching glands.”We identify the borders between touching glands and incorporate them as additional information in our model to address this. To create a multi-scale model, we used down-sampled region labels. We add skeleton images to our model to bolster our model's ability to extract gland structure. To enhance inter-object dissimilarity and intra-object similarity, we add the center of mass coordinates to our model. Our proposed method undergoes evaluation using publicly available GlaS and CRAG datasets. Comparative analyses against state-of-the-art results, encompassing both quantitative and qualitative measures, demonstrate the robust segmentation capabilities of our method.

Benzer Tezler

  1. Boosting fully convolutional networks for gland instance segmentation in histopathological images

    Histopatolojik görüntülerde bez örneği bölütlemesi için tam evrişimsel ağ güçlendirmesi

    GÖZDE NUR GÜNEŞLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR

  2. Segmentation of colon glands by object graphs

    Kalın bağırsak bezlerinin nesne çizgeleriyle bölümlenmesi

    MELİH KANDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    YRD. DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR

  3. İki fazlı MIBI planar paratiroid sintgrafisine tamamlayıcı araç olarak pinhol spect çalışma kullanım yararlılığının gama prob eşliğinde uygulanan paratiroid cerrahisinin başarı ve yararlılığının değerlendirilmesi

    The evaluation of usefulness of pinhole SPECT scan as a complementary tool to dual phase planar parathyroid scan, the evaluation of succession and usefulness of intraoperative gamma probe guided surgery

    S. SİNAN GÜLTEKİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2007

    Radyoloji ve Nükleer TıpAnkara Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. K. METİN KIR

  4. Prostat kanseri lehine pozitif muayene ve laboratuar bulgulu hastalarda dinamik manyetik rezonans görüntüleme ve biyopsi sonuçlarının karşılaştırılması

    Comparison of magnetic resonance imaging findings and biopsy results in patients with positive physical examination and laboratory findings in favor of prostate cancer

    DERYA KARAPINAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Radyoloji ve Nükleer TıpBülent Ecevit Üniversitesi

    Radyoloji Ana Bilim Dalı

    YRD. DOÇ. DR. ÖMER YAZGAN

  5. Onkolojik F-18 FDG PET/BT'de saptanan sürrenal bez lezyonlarının retrospektif değerlendirilmesi

    Retrospective evaluation of adrenal gland lesions detected by oncological F-18 FDG PET/CT

    BERRAK TUĞRAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    OnkolojiEge Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    DOÇ. DR. ÜLKEM YARARBAŞ