Mikroskobik hücre görüntülerinin derin öğrenme yöntemleri ile bölütlenmesi
Segmentation of microscopic cell images using deep learning methods
- Tez No: 946510
- Danışmanlar: PROF. DR. DAVUT HANBAY
- 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: İnönü Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Hücre, organizmaların temel biyolojik işlemlerini gerçekleştirmeleri için kritik öneme sahip en küçük yapı birimidir. Hücrelerin analiz edilmesi, temel biyolojik araştırmaların klinik tanı ve tedavi süreçlerinde önemli bir yere sahiptir. Analiz süreci, medikal verinin işlenmesini gerektiren karmaşık bir süreçtir. Bu süreçte, medikal görüntülerin anlamlandırılması için hücre sınıflandırma ve hücre bölütleme teknikleri kullanılmaktadır. Hücre sınıflandırma, belirli biyolojik özelliklere dayanarak hücrelerin ayrıştırılmasını sağlayan teknikleri içerir. Hücre bölütleme ise, bireysel hücrelerin sınırlarını tespit etmeye odaklanan teknikleri içerir. Bu teknikler, mikroskobik hücre görüntülerinin değişken yapısı, farklı boyama ve görüntüleme teknikleri gibi çeşitli zorluklarla karşı karşıyadır. Bu zorlukların üstesinden gelmek için çeşitli derin ağ mimarileri geliştirilmiştir. Bu tez çalışmasında, hücre bölütleme ve hücre sınıflandırma görevlerine yönelik, derin ağ mimarilerini temel alan uygulamalar geliştirilmiştir. İlk olarak, farklı derin ağ mimarilerinin hücre bölütleme performansları incelenmiştir. Yapılan çalışmada, DeepLabv3+ mimarisi 0,8957 Jaccard değeri ve 0,9429 Dice değeri ile en iyi sonucu veren mimari olmuştur. Daha sonraki çalışmalarda hücre bölütleme görevini gerçekleştiren yeni bir derin öğrenme mimarisi olan RaUNet önerilmiştir. U-Net mimarisinin atlama bağlantılarına ters dikkat modülü entegre edilerek RaUNet mimarisi oluşturulmuştur. Ters dikkat modülü U-Net mimarisindeki bilgi kaybını azaltmakta ve detay bilgilerini korumaktadır. Dört farklı veri setinde RaUNet mimarisi test edilmiştir. Üçüncü olarak, hücre bölütleme görevinde giriş görüntü kalitesine odaklanılmıştır. Bu uygulamada, hücre görüntüleri dalgacık dönüşümü kullanılarak ön işlenmiş ve farklı dalgacıklardaki görüntüler birleştirilerek bölütleme görevi için hazırlanmıştır. Uygulama iki veri seti üzerinde test edilmiştir. Son olarak da bölütleme sonucunda beyaz kan hücrelerini sınıflandıran bir sistem tasarlanmıştır. Bu sistem, çeşitli derin ağ mimarilerinin transfer öğrenme sürecinde elde ettiği özellikler ve bu özelliklerin nitelikli seçiminden oluşmaktadır. Önerilen sistem, BCCD veri seti üzerinde 0,9863 doğruluk oranı ile en yüksek sınıflandırma performansını sergilemiştir. Bu tez kapsamında geliştirilen uygulamalar güncel yöntemlere kıyasla sundukları yenilikçi ve özgün yaklaşımlar sayesinde, hekimlerin karar destek sistemlerini güçlendirme açısından dikkate değer bir potansiyele sahiptir.
Özet (Çeviri)
The cell is the smallest structural unit essential for organisms to perform fundamental biological functions. Cell analysis plays a vital role in both basic biological research and the clinical diagnosis and treatment process. This analysis is a complex process that requires the interpretation of medical data. In this process, cell classification and cell segmentation techniques are used to make sense of medical images. Cell classification involves methods that differentiate cells based on specific biological characteristics. Cell segmentation involves techniques that focus on detecting the boundaries of individual cells. These techniques face several challenges, such as the variable nature of microscopic cell images, different staining and imaging techniques. Various deep network architectures have been developed to overcome these challenges. In this thesis, applications for cell segmentation and cell classification tasks are developed based on deep network architectures. First, the cell segmentation performance of different deep network architectures are analyzed. In the study, The DeepLabv3+ architecture achieved the best results, with a Jaccard index of 0.8957 and a Dice coefficient of. In subsequent studies, a new deep learning architecture, RaUNet, was proposed to perform the cell segmentation task. The RaUNet architecture was created by integrating the inverse attention module into the skip connections of the U-Net architecture. The inverse attention module reduces the information loss in the U-Net architecture and preserves detailed information. RaUNet architecture is tested on four different datasets. Third, we focus on the input image quality in the cell segmentation task. In this application, cell images are preprocessed using wavelet transform and images with different wavelets are combined to prepare for the segmentation task. The application was tested on two datasets. Finally, a system that classifies white blood cells after segmentation is designed. This system utilizes of the features obtained by various deep network architectures in the transfer learning process and an effective feature selection process. The proposed system showed the highest classification performance with an accuracy of 0.9863 on the BCCD dataset. The applications developed within the scope of this thesis have a remarkable potential to strengthen the decision support systems of physicians thanks to the innovative and unique approaches they offer compared to current methods.
Benzer Tezler
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- 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
YASEMİN TOPUZ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
- Radyolojı̇k görüntülerde derı̇n öğrenme kullanılarak kanser alt tı̇plerı̇nı̇n ve genotı̇plerı̇nı̇n sınıflandırılmasının gelı̇ştı̇rı̇lmesı̇
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- Mikroskobik hücre görüntülerinde derin öğrenme ile hücre tespiti ve sayımı
Cell detection and counting using deep learning methods in microscopic cell images
ZEYNEP SÖZEN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması
Classification of ovarian follicles with deep learning
ÖZKAN İNİK
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ÜLKER