Histopatolojik görüntü analizinde derin öğrenme yöntemlerinin geliştirilmesi
Development of deep learning methods in histopathologic image analysis
- Tez No: 901731
- Danışmanlar: PROF. DR. BAHRİYE AKAY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 217
Özet
Dokuların mikroskobik olarak incelenmesiyle kanser ve tümör gibi birçok hastalığın teşhisinde altın standart olarak kullanılan histopatolojik tanı, klinik patoloji için büyük öneme sahiptir. Ancak manuel olarak yapılan klinik tanı zaman alıcı, hataya meyilli ve patoloğun mesleki deneyimine bağlı olarak subjektiftir. Hastalık sürecinde hayati öneme sahip olan erken tanı için otomatik, hızlı ve doğru sistemlerin geliştirilmesine ihtiyaç duyulmaktadır. Histopatolojik görüntüler hesaplamalı yöntemler kullanan otomatik sistemler ile analiz edilebilmektedir. Son yıllarda hesaplamalı yöntemlerde derin öğrenme tabanlı bilgisayar destekli tanı sistemlerinin uygulanması hızlı ve doğru tanıya olanak sağlamaktadır. Bu tez çalışmasında hastalıkların erken tanısı için histopatolojik görüntünün doğasından kaynaklanan dokusal varyasyonlar ve heterojenlik gibi dezavantajlar elimine edilerek etkin modellerin geliştirilmesi amaçlanmaktadır. Geliştirilen derin modellerde düşük maliyet, verimli özellik çıkarımı ve yüksek sınıflandırma başarımı hedeflenmektedir. İlk olarak histopatolojik görüntüler kullanılarak radyasyonla tetiklenen karaciğer hastalığının teşhisi için hafif yapılı derin model geliştirilmiştir ve bu çalışma literatürdeki ilk çalışma olması yönüyle öneme sahiptir. Diğer çalışmalarda dikkat mekanizması kullanan etkin derin modeller geliştirilerek histopatolojik görüntülerde prostat kanseri ve helikobakter pilorinin teşhisi gerçekleştirilmektedir. Yapılan çalışmalarda hastalıkların tanısında patologların iş yükünü hafifleten, daha doğru kararlar almasını sağlayan ve tanı için harcanan zaman kaybını önleyen yardımcı sistemler geliştirilmiştir.
Özet (Çeviri)
Histopathological diagnosis, which is considered the gold standard in the diagnosis of many diseases such as cancer and tumors by microscopic examination of tissues, is of great importance for clinical pathology. However, manual clinical diagnosis is time-consuming, error-prone, and subjective, depending on the professional experience of the pathologist. There is a need to develop automated, fast, and accurate systems for early diagnosis, which is vital in the disease process. Histopathological images can be analyzed by automated systems using computational methods. In recent years, applying deep learning-based computer-aided diagnosis systems in computational methods allows for rapid and accurate diagnosis. In this thesis, we aim to develop effective models for the early diagnosis of diseases by eliminating disadvantages such as textural variations and heterogeneity arising from the nature of histopathological images. Low cost, efficient feature extraction, and high classification performance are targeted in the developed deep models. Firstly, a lightweight, deep model was developed for the diagnosis of radiation-induced liver disease using histopathological images, which is the first study in the literature. In other studies, effective deep models are developed using the attention mechanism to diagnose prostate cancer and Helicobacter pylori in histopathological images. In studies, auxiliary systems have been developed to ease the workload of pathologists in diagnosing diseases, enabling them to make more accurate decisions and preventing the loss of time spent on diagnosis.
Benzer Tezler
- Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi
Development of innovative deep learning approaches in the analysis of digital pathology images
YUSUF ÇELİK
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KARABATAK
- Deep feature representations and multi-instance multi-label learning of whole slide breast histopathology images
Tüm slayt meme histopatoloji görüntülerinin derin öznitelik gösterimleri ve çoklu-örnek çoklu-etiket öğrenimi
CANER MERCAN
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
- Self-supervised representation learning with graph neural networks for region of interest analysis in breast histopathology
Meme histopatolojisinde ilgi alanı gösterimlerinin çizgesel sinir ağları ile kendinden gözetimli öğrenimi
YİĞİT ÖZEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
- An innovative and accurate deep learning based HER2 scoring method HER2-unet
HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım
FARIBA DAMBAND KHAMENEH
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF. DR. MUSTAFA ERSEL KAMAŞAK
- 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