Nuclei segmentation and classification in histopathology images using deep neural networks
Derin sinir ağları kullanarak histopatoloji görüntülerinde çekirdek segmentasyonu ve sınıflandırması
- Tez No: 902338
- Danışmanlar: DR. ÖĞR. ÜYESİ FERİŞTAH DALKILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: 98
Özet
Mitotik tümör hücrelerinin tespiti, doğru meme kanseri teşhisi ve tedavisi için çok önemlidir. Günümüzde bu görevi patologlar manuel olarak yapmaktadır, bu ise zaman alıcı, hataya açık ve öznel bir süreçtir. Ancak, tarama teknolojilerindeki gelişmeler, biyopsi örneklerinin yüksek çözünürlüklü görüntülerini yakalamamıza olanak tanımaktadır. Bu gelişmeleri kullanarak, patologlara histopatolojik görüntülerde mitotik tümör hücrelerinin otomatik tespitinde yardımcı olacak derin öğrenme algoritmaları geliştirebiliriz. Bu, meme kanseri teşhis ve tedavisinin verimliliğini ve doğruluğunu artırma olanağı taşımaktadır. Bu çalışmada, Detectron2 teknolojisini kullanarak Faster R-CNN, Mask R-CNN ve RetinaNet gibi çeşitli algoritmaları ve ResNet50 ile FPN omurgasını(backbone) kullanarak meme kanseri histopatolojik görüntülerinde mitotik hücreleri tespit ettik. Ayrıca, mitotik hücre tespitinde Macenko boyama normalizasyonu ve Reinhard renk aktarımı gibi renk normalizasyonu ve renk aktarım tekniklerinin etkilerini inceledik. Model performansını artırmak için veri artırma tekniklerini de kullandık. Modellerimizin sağlamlığını ve genelleştirilebilirliğini sağlamak için MIDOG2021 ve TUPAC16 veri setlerini kullandık. SGD ve Adam gibi farklı hiperparametre kombinasyonları ve optimizasyon yöntemleri ile deneyler yaparak bu yaklaşımların etkinliğini karşılaştırmayı ve analiz etmeyi amaçlıyoruz. TUPAC16 veri seti ile 500x500 parçalar kullanarak Faster R-CNN algoritması ile tüm veri artırma yöntemleri uygulandığında ve AdamW optimizasyonu ile 75.2 mAR @ IoU 0.5:0.95 ve 44.0 ortalama mAP @ IoU 0.5:0.95 elde ettik. Mask R-CNN algoritması ile veri artırma yöntemleri uygulanmadan ve SGD optimizasyonu ile 72.0 mAR @ IoU 0.5:0.95 ve 47.7 ortalama mAP @ IoU 0.5:0.95 elde ettik.
Özet (Çeviri)
Detecting mitotic tumor cells is crucial for accurate breast cancer diagnosis and treatment. Currently, pathologists perform this task manually, which is time-consuming, error-prone, and subjective. However, advancements in scanning technologies now enable us to capture high-resolution images of biopsy slides. Leveraging these advancements, we can develop deep learning algorithms to assist pathologists in automating mitotic tumor cell detection in histopathological images. This holds the promise of enhancing the efficiency and accuracy of breast cancer diagnosis and treatment. In this study, we employed the Detectron2 framework, utilizing multiple algorithms including Faster R-CNN, Mask R-CNN, and RetinaNet with a ResNet50 with Feature Pyramid Network (FPN) backbone to identify mitotic cells in histopathological images of breast cancer. Additionally, we explored the effects of color normalization and color transfer techniques, specifically Macenko stain normalization and Reinhard color transfer, on mitotic cell detection. We also incorporated data augmentation techniques to improve model performance. We used datasets from MIDOG2021 and TUPAC16 to ensure robustness and generalizability of our models. By experimenting with different hyperparameter combinations and optimizers, such as SGD and Adam, we aim to compare and analyze the effectiveness of these approaches. For the TUPAC16 dataset with 500x500 patches using the Faster R-CNN algorithm, we achieved a mAR @ IoU 0.5:0.95 of 75.2 and a mean mAP @ IoU 0.5:0.95 of 44.0 with the AdamW optimizer and all augmentations applied. For the Mask R-CNN algorithm with no augmentations and the SGD optimizer, we achieved an mAR @ IoU 0.5:0.95 of 72.0 and an mAP @ IoU 0.5:0.95 of 47.7.
Benzer Tezler
- Uzamsal bilgi kullanarak histopatolojik görüntü analizi
Histopathological image analysis using spatial information
MUHAMMED EMİN BAĞDİGEN
Yüksek Lisans
Türkçe
2020
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
- 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
- Segmentation and classification of cervical cell images
Serviks hücre görüntülerinin bölütlenmesi ve sınıflandırılması
ASLI KALE
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SELİM AKSOY
- Seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı tanı yaklaşımlarının geliştirilmesi ve uygulanması
Development and implementation of machine learning based diagnosis approaches in serous effusion cytopathology
ELİF BAYKAL KABLAN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EKİNCİ