Geri Dön

Histopatolojik görüntü analizinde derin öğrenme yöntemlerinin geliştirilmesi

Development of deep learning methods in histopathologic image analysis

  1. Tez No: 901731
  2. Yazar: DEMET ALICI KARACA
  3. Danışmanlar: PROF. DR. BAHRİYE AKAY
  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: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT KARABATAK

  2. 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

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM AKSOY

  3. 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

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM AKSOY

  4. 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

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  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