Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
- Tez No: 957719
- Danışmanlar: PROF. DR. ENDER METE EKŞİOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Anabilim Dalı
- Sayfa Sayısı: 77
Özet
Kolorektal kanser (KRK), kalın bağırsak kanseri kolon veya rektumun iç yüzeylerinde anormal hücre büyümesi ile başlayan kanser türüdür. Dünya Sağlık Örgütü verilerine göre KRK dünya genelinde en sık görülen kanser türlerinden biri olup yılda yaklaşık 1,93 milyon yeni vaka ve 900.000 ölüme neden olan ciddi bir halk sağlığı sorunu oluşturmaktadır. Risk faktörleri arasında genetik yatkınlık, yaş, beslenme ve inflamatuar bağırsak hastalıkları yer almaktadır. Erken evrede konulacak doğru tanı hastalığın ilerlemesini önlemek, tedavi başarısını arttırmak ve hastaların yaşam kalitesini yükseltmek için kritik öneme sahiptir. Tanı sürecinde kolonoskopi, bilgisayarlı tomografi (BT) ve biyopsi ile mikroskopik inceleme gibi yöntemler yaygın olarak kullanılmaktadır. Bu tez KRK tanısında histopatolojik görüntülerde çekirdek segmentasyonunu otomatikleştirmek için klasik görüntü işleme makine öğrenmesi ve derin öğrenme tekniklerini incelemektedir. KRK tanısında tıbbi görüntüleme temel bir rol oynamaktadır. Wilhelm Conrad Röntgen'in 1895 yılındaki keşfi ile başlayan röntgen görüntüleme tekniği günümüzde halen yaygın olarak kullanılmaktadır. X-ışınları 0.01-10 nm dalga boylarına sahip olan iyonlaştırıcı radyasyonlardır ve dokulardan geçiş, emilim veya saçılma yoluyla etkileşime girerler. Beer-Lambert yasası X-ışınlarının zayıflamasını açıklar burada emilim ve saçılma fotoelektrik etki, Compton ve Rayleigh saçılmalarıyla belirlenir. Mamografi göğüs kanseri tespitinde kullanılan bir X-ışını uygulamasıdır ve KRK metastazlarının kemiklere yayılımını belirlemek için de kullanılmaktadır. Ancak Xışınlarının yumuşak dokuları detaylandırma özelliği sınırlıdır ve sürekli radyasyon maruziyeti risk oluşturabilmektedir. Bilgisayarlı tomografi (BT) 1960'larda modern bilgisayar teknolojisi ile geliştirilmiş olup 1917'de Radon'un teorik çalışmalarına dayanır. BT X-ışını kaynağı ve dedektörlerin hasta etrafında döndürülerek görüntü üretilmesine dayanır. BT, KRK'nın boyutunu, yerini ve metastazlarını (karaciğer ve akciğer gibi) belirlemede etkilidir. Manyetik rezonans görüntüleme (MRG), iyonlaştırıcı olmayan radyasyon kullanarak yüksek çözünürlüklü yumuşak doku görüntüleri üretir. MRG, hidrojen protonlarının manyetik alan ve radyo frekansı (RF) darbeleri ile uyarılmasına dayanır. T1 ve T2 gevşeme süreleri dokuların yağ ve su içeriğine bağlı olarak farklı kontrastlarda görüntüler sağlar. MRG rektal kanserin evrelenmesinde, tümör invazyon derinliğinin ve lenf nodüllerinin değerlendirilmesinde kritik bir rol oynamaktadır. Endoskopi, kolon ve rektumun mukozal yüzeyinin gerçek zamanlı olarak görüntülenmesini sağlayan bir yöntemdir. Beyaz ışık endoskopisi (WLE), temel endoskopik tarama yöntemi olsa da düz veya hafif lezyonların tespitinde sınırlıdır. Kromoendoskopi indigo karmin gibi boyalarla kontrastı arttırmayı amaçlarken dar xxiv bant görüntüleme (NBI) gibi sanal kromoendoskopi teknikleri boya ihtiyacını ortadan kaldırır. Histopatolojik inceleme, biyopsi örneklerinde tümör özelliklerinin detaylı olarak analiz edilmesine dayanır Doku örnekleri, Hematoksilin-Eozin (H&E) ile hücre çekirdeklerini ve sitoplazmayı, CD3 gibi immünohistokimyasal boyamalarla ise bağışıklık hücrelerinin görselleştirilmesi ile renklendirilir. Bu örnekler dijitalleştirilerek mikroskop altında incelenir. Dijital mikroskopi, immünohistokimya, ışık mikroskobu ve tam slayt tarama sistemleri (Whole slide imaging-WSI) gibi teknikler yüksek çözünürlüklü görüntüler sağlayarak hücre düzeyinde morfolojik analiz imkânı sunar. Bu analizler tümör türünün belirlenmesi, evrelenmesi ve tedavi planlaması için önemlidir. Ancak manuel histopatolojik incelemeler uzman patologların çok fazla zaman harcamasına ve subjektif yorumlamalar nedeniyle hatalar neden olabilmektedir. Dijital patoloji ve görüntü işleme teknolojileri bu süreçleri otomatikleştirip iyileştirerek hata oranlarını azalttı. Dijital görüntü bölütleme, biyomedikal görüntüleme işlemlerinde bir görüntünün belirli bölgelere otomatik veya yarı otomatik olarak ayrıştırılması işlemidir. Bu süreç görüntüdeki pikselleri renk, doku veya yoğunluk gibi özelliklere göre gruplandırmayı ve gruplandırılan bölgeler arasındaki sınırların belirlenmesi amaçlanır. Mikroskopi görüntülerinde hücrelerin yüksek kesinlikte tespit edilip bölütlenmesinin yapılması dijital patolojinin en önemli adımlarından biridir. Dokuların kompleks morfolojisi ve patolojide kullanılan farklı boyama metotları günümüzde halen bu adımların otomatikleştirilmesini zorlaştırmaktadır. Geleneksel görüntü işleme algoritmaları bu karmaşıklık nedeniyle yetersiz kalmaktadır. Bu tez çalışmasında kolorektal kanser tanısında histopatolojik görüntüler üzerinde nükleus (çekirdek) segmentasyonu yapılması amaçlanmaktadır. Çalışmada hem klasik görüntü işleme teknikleri hem de derin öğrenme ve makine öğrenmesine dayalı yöntemler incelenmiştir. Geleneksel görüntü işleme metotları genellikle, kenar belirleme, eşikleme ve morfolojik işlemler üzerinden düşük seviyede işlemler yapan tekniklerdir. Ancak medikal görüntülerde karşılaşılan dokuların karışık morfolojik yapıları, dokuları renklendirmede kullanılan boyama yöntemlerinin çeşitliliği ve farklı hücre yoğunlukları bu metotların etkinliklerini sınırlandırabilmektedir. Makine öğrenmesi yöntemleri daha yüksek seviyeli özellikleri öğrenerek sınıflandırma ve segmentasyon işlemlerinde daha kararlı sonuçlar üretebilmektedir. Ancak bu yöntemler görüntü özelliklerinin elle çıkarılmasına dayanmaktadır ve büyük veri setleri ile optimize edilmeleri gerekmektedir. Derin öğrenme modelleri büyük boyutlardaki medikal görüntülerin anlamlandırılmasında son yıllarda yaygın olarak tercih edilen metotlar arasında yer almaktadır. Konvolüsyonel sinir ağları (CNN), U-Net ve UNet++ gibi mimariler bu alanda öne çıkan başlıca modellerden bazılarıdır. U-Net mimarisi encoder-decoder yapısını kullanarak çalışır ve tıbbi görüntülerin düşük miktardaki etiketli veriler kullanarak da yüksek doğrulukta segmentasyon yapabilmektedir. U-Net++ ise bu mimariyi geliştirerek daha derin ve esnek bir bağlantı yapısı sunar ve bu sayede daha yüksek doğruluk oranları elde etmeyi mümkün kılar. Bu çalışmada Lizard veri seti kullanılmıştır. Lizard 140 H&E, 111 CD3 boyalı olmak üzere 251 tam slayt görüntüsü kesiti içerir ve 495.179 çekirdeği; epitel, lenfosit, xxv plazma, eozonofil, nötrofil ve bağ doku olmak üzere altı sınıfa ayırır. Bu görüntüler GlaS, CRAG, CoNSeP, PanNuke ve DPath kaynaklarından alınmış olup ortalama boyutları 1.016x917 pikseldir. Veri seti patologların düzeltmeleriyle otomatik segmentasyon algoritmaları kullanılarak anotasyonlanmıştır ve veri seti yüksek IoU skorları ile yüksek güvenirlik sunar. Bu çalışmada U-Net ve UNet++ mimarileri Lizard veri setindeki görüntüler kullanılarak eğitilmiş ve yine bu görüntüler üzerinden segmentasyon ve hücre sınıflandırması yapılmıştır. Veri ön işleme, görüntülerin 256x256 piksel çözünürlüğe ölçeklendirilmesini ve piksel yoğunluklarının normalleştirilmesini içerir. Bu işlemler sonucunda 1616 eğitim, 346 doğrulama ve 47 test yaması üretilmiş ayrıca eğitim verilerine yatay/dikey çevirme, döndürme ve renk titreşimi uygulanmıştır. U-Net, genel olarak daha yüksek performans gösterirken UNet++ bazı sınıflarda daha yüksek performans gösterirken bazı çekirdek sınıflarında ise daha düşük sonuçlar vermiştir. Veri setinin küçük olması (47 yama) bazı performans metriklerinde düşüşe yol açmıştır. Klinik uygulamalar için TCGA-COAD gibi daha büyük veri setleri ve Tversky gibi daha etkili hata fonksiyonları kullanılması önerilmiştir.
Özet (Çeviri)
Precise detection and segmentation of cells in microscopy images is a crucial step in many processes in digital pathology and biomedical applications. Automating these processes remains challenging to this day due to complex morphology of the tissues and various staining methods. Current techniques used in nuclear segmentation, classification and composition prediction frequently face challenges leading to unsatisfactory results. In recent years, the application of advanced deep learning algorithms like U-Net and UNet++ in the field of computational pathology has demonstrated impressive outcomes by providing clinicians with faster and more reliable autonomous identification of diseases. Colorectal cancer (CRC) also known as bowel cancer or colon cancer, is a major healthcare problem that ranks as one of the main causes of cancer related deaths globally. Depending on the location of the lesion, colorectal cancer is diagnosed by sampling sections of the colon that are suspected of developing a tumor. This is usually done during a colonoscopy or sigmoidoscopy. Colorectal cancer detection and metastases determination can be done with various other medical imaging modalities such as CT scans and MRIs. Histopathological analysis of colorectal cancer can be done from tissues taken from a biopsy or surgery. Image segmentation is a fundamental step in computer vision that involves partitioning a digital image into discrete groups of pixels that are referred to as image segments for other tasks like object detection. Microscopy images of colorectal cancer can be very large in size, noisy or include overlapping nuclei or complex morphological tissues which can pose a challenge for image segmentation. Additionally, the complex anatomical structure of the colon and irregular shapes of tumors. To overcome these challenges, it is necessary to develop advanced algorithms and robust preprocessing techniques in image segmentation for clinical applications such as diagnosis and treatment planning of colorectal cancer. This study employed two convolutional neural networks (CNN) based models in order to segment nuclei in the colorectal cancer histopathology images presented in the Lizard dataset. The dataset consisted of 495,179 annotated nuclei across 251 patches of whole-slide images which then preprocessed to produce 1,616 training patches, 346 validation patches, and 47 test patches augmented with flipping, rotataion and color jittering. Both models are aimed to first perform instance segmentation of nuclei and classify them into six categories: neutrophil, epithelial, lymphocyte, plasma, eosinophil, and connective tissue. Results of U-Net showed superior performance with a Dice score of 0,7956, Intersection of Union (IoU) of 0,7213, precision of 0,7824, recall of 0,8087 and F1- score of 0,7952 excelling in the segmentation of the epithelial nuclei class. Although UNet++ showed improved results for specific classes it struggled with infrequent classes such as neutrophils as seen by its lower Dice score of 0,3831 for these nuclei. The small test set size (47 patches) limited the performance evaluation of this study indicating the necessity for larger datasets like TCGA-COAD and implementations of more advanced loss functions such as Tversky to improve model robustness for clinical applications.
Benzer Tezler
- Bölütlenmiş histopatolojik görüntüler üzerinde derin öğrenme yöntemiyle kolon kanseri tespiti
Detecting colon cancer using deep learning on segmented histopathological images
ULAŞ YURTSEVER
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRETTİN EVİRGEN
- PlutoNet: Modifiye edilmiş kısmi kod çözücü ve tutarlılık eğitimi ile verimli bir polip bölütleme ağı
PlutoNet: An efficient polyp segmentation network with modified partial decoder and consistency training
TUĞBERK EROL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- 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
- Renal hücreli karsinomun otomatik derece sınıflandırması için U-net tabanlı derin öğrenme ağı
U-net based deep learning network for automatic grade classification of renal cell carcinoma
SÜEDA KAYA
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI
- Görüntü işleme teknikleri ve sezgisel yöntemler kullanılarak çekirdek görüntü segmentasyonu
Nuclei image segmentation using image processing techniques and heuristic methods
NUREDEEN A A MATOUG
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASEMİN GÜLTEPE