Histopatoloji görüntülerinde derin öğrenme ile genelleştirilmiş mitoz tespiti ve melanom tümör evre tahmini
Generalized mitosis detection and melanoma tumor stage estimation in histopathology images using deep learning
- Tez No: 935554
- Danışmanlar: PROF. DR. SONGÜL VARLI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 189
Özet
Bu tez içeriğinde, mikroskobik doku örneklerinin dijital hâle getirilmesiyle elde edilen histopatoloji görüntülerinde mitotik hücreleri genelleştirilmiş şekilde tespit edebilen ve bir cilt kanseri olan melanomda doku katmanları ile tümör bölgelerini belirleyip invazyon derinliği ölçümünü insan müdahâlesine gerek kalmadan gerçekleştirip tümör evresi tahmini yapabilen, derin öğrenme temelli uçtan uca bir bilgisayar destekli tanı sistemine ilişkin çalışmalar yer almaktadır. Dijital patolojinin sunduğu yüksek çözünürlüklü görüntüleme teknolojileri ve yapay zekâ tabanlı analiz yöntemleri, patologların iş yükünü azaltırken, tanısal doğruluğu artırarak subjektif değerlendirme hatalarını minimize etmektedir. Bu tez kapsamında önerilen sistem, genelleştirilmiş mitoz tespit sistemi ve melanom tümör evre tahmin sistemi olmak üzere iki omurga ve bunlara bağlı beş alt modülden oluşmaktadır. Ana omurgalardan biri olan genelleştirilmiş mitoz tespit sistemi, kanserin en önemli prognostik faktörlerinden olan mitotik hücreleri, tümör türü bağımsız ve çeşitli varyasyonlara duyarlı şekilde tespit etmeyi ve tespit edilen bu hücreleri kullanarak melanomda mitotik aktiviteyi tayin etmek için sıcak bölgeyi belirlemeyi içeren iki alt modül barındırmaktadır. Bu omurga kapsamında çeşitli nesne tespit modelleri analiz edilmiş, CNMI-YOLO ve SDF-YOLO isimli iki yeni nesne tespit yaklaşımı önerilmiş ve bu yaklaşımların mitotik hücre tespit performansına ilişkin farklı türde kanser, tarayıcı, canlı, patoloji merkezi verisini içinde barındıran MIDOG veri kümeleri ve MITOSIS14, TUPAC-auxiliary, CCMCT-MEL veri setlerinde detaylı analizleri ve karşılaştırmaları yapılmıştır. Tezin bir diğer omurgası olan melanom tümör evre tahmin sistemi ise cilt katmanlarından olan epidermisin bölütlenmesi, melanom tümör bölgelerinin bölütlenmesi ve bu iki bölütleme sonucunu kullanarak invazyon derinliği ölçümünün yapılması modüllerinden oluşmaktadır. Bölütleme çalışmaları kapsamında UNet tabanlı çeşitli mimariler uygulanmış ve histopatoloji görüntülerinde bölütleme için Lite-DynUNet isimli yeni bir yaklaşım önerilmiştir. Ayrıca bölütleme modelinin ürettiği çıktıları kullanarak hastanın birincil tümör evresini belirlemek için Hausdorff mesafesini temel alan ve birçok aşamadan oluşan invazyon derinliği ölçüm algoritması tasarlanmıştır. Bunlara ek olarak Cerrahpaşa Tıp Fakültesi, Patoloji Anabilim Dalı ile iş birliği yapılmış ve yinelemeli kendi kendine eğitim yaklaşımı uygulanarak melanom tümörü için 61 hastaya ait tüm slayt görüntülerinden oluşan bir veri seti hazırlanmıştır. Bu veri seti, epidermis katmanı, tümör bölgesi, invazyon derinliği, ülser varlığı ve tümör evresi bilgilerini içeren kapsamlı bir etiketli veri setidir. Tüm modüller için elde edilen sonuçlar, başarılı performans göstermiştir. Bu çalışma, dijital patolojide yapay zekâ alanında yapılacak araştırmalar için önemli bir referans noktası oluşturarak bilimsel literatüre değerli katkılar sunmaktadır.
Özet (Çeviri)
This thesis presents a deep learning-based end-to-end computer-aided diagnosis system that can generalize the detection of mitotic cells from histopathological images obtained through the digitization of microscopic tissue samples. Additionally, it can identify tissue layers and tumor regions in melanoma, a type of skin cancer, and measure invasion depth without human intervention to predict tumor staging. The high-resolution imaging technologies provided by digital pathology, combined with artificial intelligence-based analytical methods, reduce the workload of pathologists while improving diagnostic accuracy and minimizing subjective evaluation errors. The proposed system in this thesis consists of two main frameworks— a generalized mitosis detection system and a melanoma tumor staging system— along with five sub-modules. One of the frameworks, the generalized mitosis detection system, includes two sub-modules: to detect mitotic cells—one of the most critical prognostic factors in cancer—in a tumor-type-independent manner and with sensitivity to various variations and identifies hotspots to determine mitotic activity in melanoma using the detected cells. Within this framework, various object detection models were analyzed, and two novel object detection approaches, CNMI-YOLO and SDF-YOLO, were proposed. These approaches were extensively analyzed and compared for mitosis detection performance using MIDOG datasets, which include various cancer types, scanners, specimen types, and pathology centers, as well as MITOSIS14, TUPAC-auxiliary, and CCMCT-MEL datasets. The second framework of the thesis, the melanoma tumor staging prediction system, includes three sub-modules: for segmenting the epidermis (a skin layer), segmenting melanoma tumor regions, and measuring invasion depth using the results of these segmentations. For segmentation tasks, various UNet-based architectures were implemented, and a novel approach called Lite-DynUNet was proposed for segmenting histopathological images. Additionally, an invasion depth measurement algorithm consists of multiple steps and based on the Hausdorff distance was designed to determine the primary tumor stage of patients using the outputs generated by the segmentation model. Furthermore, in collaboration with the Department of Pathology at Cerrahpasa Faculty of Medicine, a dataset consisting of whole-slide images from 61 melanoma patients was prepared using an iterative self-training approach. This dataset contains comprehensive annotations, including information on the epidermis layer, tumor region, invasion depth, ulcer presence, and tumor stage. The results obtained for all modules demonstrated successful performance, and this study contributes valuable insights to the scientific literature, establishing a significant reference point for future research in artificial intelligence applications in digital pathology.
Benzer Tezler
- Derin öğrenme için yenilikçi düzgünleştirme yaklaşımlarının geliştirilmesi ve medikal görüntülere uygulanması
Development of new regularization approaches for deep learning and application to medical images
KAZIM FIRILDAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
DR. ÖĞR. ÜYESİ GAFFARİ ÇELİK
- Derin öğrenme ile histopatoloji görüntülerinde çekirdek örnek bölütleme
Nuclei instance segmentation in histopathology images with deep learning
SERDAR YILDIZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
DR. ÖĞR. ÜYESİ ABBAS MEMİŞ
- Tumor detection in breast cancer histopathological images using convolutional neural networks
Meme kanseri histopatoloji görüntülerinde evrişimsel sinir ağları kullanarak tümör tespiti
ZEKİ ŞAHBAZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BEKİR HAKAN AKSEBZECİ
- 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
- Nuclei segmentation and classification in histopathology images using deep neural networks
Derin sinir ağları kullanarak histopatoloji görüntülerinde çekirdek segmentasyonu ve sınıflandırması
MUHARREMCAN GÜLYE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERİŞTAH DALKILIÇ