Leveraging weak supervision for cell localization in digital pathology using multitask learning and consistency loss
Çoklu görev öğrenme ve tutarlılık kaybını kullanarak dijital patolojide hücre lokalizasyonu için zayıf denetimden yararlanma
- Tez No: 926005
- Danışmanlar: PROF. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Hücre tespiti ve segmentasyonu, dijital patolojide otomatik sistemlerin önemli bile- şenleridir. Kodlayıcı-çözücü ağ modelleri, bu görevler için umut vaat eden bir çözüm olarak ortaya çıkmıştır. Ancak, bu tür ağların eğitimi genellikle hücrelerin kapsamlı sınır anotasyonlarını gerektirmektedir. Bu anotasyonları oluşturmak oldukça zahmetli olup büyük ölçekli veri olarak elde edilmesi zordur. Bununla birlikte, hücre sayımı gibi birçok uygulamada, zayıf anotasyon türleri – örneğin nokta anotasyonları veya yaklaşık hücre sayıları – eğitimi sağlamak için yeterli gözetimi sunabilir. Bu tez, hücre sayılarının patologların sıklıkla kullandığı hızlı bir gözle tarama ve yakınsama tekniği olan göz kararı yönteminden türetilmesiyle elde edilen zayıf anotasyonları içeren yeni bir karma gözetimli öğrenme yaklaşımı önermektedir. Bu tezin iki ana katkısı vardır: (1) İlk defa, göz kararı yöntemiyle elde edilen hücre sayılarının yardımcı bir gözetim sinyali olarak kullanıldığı karma gözetimli bir strateji önermektedir. (2) Önerilen çok görevli ağ, hücre sayımı ve hücre lokalizasyonu görevlerini eşzamanlı olarak öğrenmek üzere tasarlanmıştır ve bu tez, bu iki görevin tahminleri arasındaki tutarsızlıkları cezalandırarak eğitimi düzenleyen bir tutarlılık kayıp terimi önermektedir. Hematoksilin-eozin boyalı doku görüntülerinden oluşan iki veri kümesi üzerinde yapılan deneyler, önerilen yöntemin bu en zayıf anotasyon türünü etkili bir şekilde kullanarak, güçlü anotasyonların sınırlı olduğu durumlarda performansı iyileştirdiğini göstermektedir. Bu sonuçlar, ağ eğitimi sürecine göz kararı yöntemi ile türetilmiş gerçek değerlerin dahil edilme potansiyelini ortaya koymakta ve elde edilmesi yoğun kaynak kullanımı gerektiren anotasyonlara olan ihtiyacı azaltmaktadır.
Özet (Çeviri)
Cell detection and segmentation are integral parts of automated systems in digital pathology. Encoder-decoder networks have emerged as a promising solution for these tasks. However, training of these networks has typically required full boundary annotations of cells, which are labor-intensive and difficult to obtain on a large scale. However, in many applications, such as cell counting, weaker forms of annotations--such as point annotations or approximate cell counts--can provide sufficient supervision for training. This thesis proposes a new mixed-supervision approach for training multitask networks in digital pathology by incorporating cell counts derived from the eyeballing process--a quick visual estimation method commonly used by pathologists. This thesis has two main contributions: (1) It proposes a mixed-supervision strategy for digital pathology that utilizes cell counts obtained by eyeballing as an auxiliary supervisory signal to train a multitask network for the first time. (2) This multitask network is designed to concurrently learn the tasks of cell counting and cell localization, and this thesis introduces a consistency loss that regularizes training by penalizing inconsistencies between the predictions of these two tasks. Our experiments on two datasets of hematoxylin-eosin stained tissue images demonstrate that the proposed approach effectively utilizes the weakest form of annotation, improving performance when stronger annotations are limited. These results highlight the potential of integrating eyeballing-derived ground truths into the network training, reducing the need for resource-intensive annotations.
Benzer Tezler
- Self- and weakly- supervised deep learning methods with applications in biometric and biomedical data
Kendinden- ve zayıf- denetimli derin öğrenme yöntemleri ile biyometri ve biyomedikal verilerdeki uygulamaları
MEHMET CAN YAVUZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiMühendislik ve Doğa Bilimleri Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- Development of long distance free-space quantum key distribution system
Açık-hava uzak mesafe kuantum anahtar dağıtım sistemi geliştirilmesi
ÖMER SALİH TAPŞIN
Yüksek Lisans
İngilizce
2024
Fizik ve Fizik Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüFizik Ana Bilim Dalı
DOÇ. DR. SERKAN ATEŞ
- Dijital tedarik zinciri olgunluk modelinin tasarımı: Ölçek geliştirme ve vaka uygulaması
Design of the digital supply chain maturity model: Scale development and case study
GÖKHAN EĞİLMEZ
- Denoising and enhancement in medical imaging modalities using deep learning
Medikal görüntüleme sistemlerinde derin öğrenme ile gürültü azaltımı ve görüntü iyileştirme
İREM LOÇ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. HAKAN ERKOL
PROF. DR. MEHMET BURÇİN ÜNLÜ
- Sudan oppurtunity in economy transformation
Sudan için ekonomik dönüşüm fırsatları
SALIH SIR ELKHATIM KHOGLY MOHAMED
Yüksek Lisans
İngilizce
2025
EkonomiOSTİM TEKNİK ÜNİVERSİTESİEkonomi Ana Bilim Dalı
DOÇ. DR. BAHAR ERDAL
