Computer vision and hybrid machine learning algorithms on glioblastoma 3D cell culture multiplex environment
Üç boyutlu glioblastoma çoklu hücre kültürü ortamında görüntü işleme ve hibrit makine öğrenmesi algoritmaları
- Tez No: 999330
- Danışmanlar: DR. ÖĞR. ÜYESİ EMEL SOKULLU
- Tez Türü: Doktora
- Konular: Nöroloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Neurology, Computer Engineering and Computer Science and Control, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Nöroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zeka, esas olarak makine öğrenmesi ve derin öğrenme hesaplama yöntemlerinden oluşmakta olup, merkezi sinir sisteminde en yaygın ve yetişkinlerde en hızlı ilerleyen beyin tümörü olan glioblastomanın tedavi yönetimini iyileştirme konusunda önemli bir potansiyel sunmaktadır. Bu çalışmanın amacı, I-NHA insan astrositleri ile etkileşim halinde olan U87 insan glioblastoma hücrelerinin göç ve proliferasyon davranışlarını makine öğrenmesi yöntemleri kullanarak tahmin etmektir. Belirli hidrojeller içerisine gömülmüş bu mühendislik ürünü hücre modelleri, mimetik mikroçevrelerin oluşturulmasını ve hücreler arasındaki etkileşimlerin gözlemlenmesini mümkün kılmaktadır. Araştırmamız, klasik yazılım hesaplamalarından elde edilen ve üç boyutlu (3B) tümör mikroçevresi çalışmalarından elde edilen görüntü veri setlerini içeren önemli miktarda ham veriyi kapsamaktadır. In vitro araştırmalara göre, glioblastomalarda göç, invazyon ve proliferasyon gibi kendine özgü hücresel özellikler ve davranışlar gözlenmektedir. Uygulamalı fizik perspektifinden bakıldığında, bu çalışma hücrelerin fiziksel davranışlarını 3B çoklu platformlarda yeniden üreterek, yapay zeka tabanlı analizler için uygun geniş kapsamlı veri setlerinin elde edilmesini sağlamaktadır. Bu çalışmada, iki teknik deney tekrarından elde edilen, normalize edilmiş 300 görüntüden oluşan veri seti üzerinde Yinelenen Sinir Ağı (Recurrent Neural Network, RNN) algoritmalarının etkinliği değerlendirilmiş ve ilgili parametrelerin tahmini hesaplanmıştır. Özellikle RNN'in Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Kapılı Tekrarlayan Birim (Gated Recurrent Unit, GRU) modelleri ile ara katmanlı bir mimari sunan Konvolüsyonel Sinir Ağı (Convolutional Neural Networks, CNN) ile oluşturulmuş hibrit varyantları kullanılarak, hücre kültürü görüntüleri üzerinde makine öğrenimi teknikleri uygulanarak yüksek doğrulukta tahminler elde edilmiştir. Bu modeller arasında GRU, özellikle veri yoğunluğunun azaldığı durumlarda üstün bir öngörü performansı sergilemiş olup optimize edilmiş GRU modeli en yüksek 0,85 doğruluk değerine ulaşmıştır. Daha uzun dizileri kodlayabilme yetenekleri sayesinde transformer modeli büyük veri setlerinde öne çıkarken, zaman serisi tabanlı orta boyutlu hücre görüntü veri setlerinde genellikle RNN'ler daha iyi performans göstermektedir. Çalışmamızda, görüntü verisinin iyileştirilmesi ve teknik ile biyolojik çoğaltmanın, makine öğrenmesi algoritmalarının tahmin doğruluğunu önemli ölçüde artırabileceği savunulmuştur. Sonuç olarak, bu çalışma umut verici öngörü doğruluğu sergilemekle birlikte, öncelikle bir kavram kanıtlama çalışmasıdır. Glioblastoma araştırmalarında yapay zeka odaklı analizler parlak sonuçlar sunmuş olup modellerin standartlaştırılması ve öngörü sonuçlarının yorumlanabilirliğinin ve genellenebilirliğinin artırılması için daha kapsamlı ve çeşitli veri setlerinin entegrasyonu ile ileri çalışmalara ihtiyaç bulunmaktadır.
Özet (Çeviri)
Artificial intelligence (AI) is primarily comprised of machine learning and deep learning computational methodologies, offering substantial promise for improving the therapeutic management of glioblastoma, the most prevalent and aggressive adult brain tumor in the central nervous system. The objective of this study was to predict the migration and proliferation behavior of U87 human glioblastoma cells interacting with I-NHA human astrocytes. These engineered cell models, embedded within specific hydrogels, enabled us to mimic the organisms and observe their interactions. Our research involved a significant amount of raw data obtained from classical software calculations combined with image datasets captured from three-dimensional (3D) tumor microenvironment studies. In vitro studies indicate that glioblastoma exhibits distinct cellular characteristics, including migration, invasion, and proliferation behaviors. In this context, this work evaluated the effectiveness of Recurrent Neural Network (RNN) algorithms on 300 normalized image data obtained from two technical replicates and calculated the corresponding parameters as AI features. Specifically, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models of RNN, along with their hybrid variants with Convolutional Neural Network (CNN), were utilized to apply machine learning techniques to cell culture images. Among these models, GRU demonstrated superior estimation performance, particularly when the data density decreased; the optimized GRU model achieved a maximum accuracy of 0.85. While transformer-based models are highly effective for processing large-scale datasets due to their capacity to encode long-range dependencies, RNN-based approaches were observed to outperform transformers in time-series analyses involving medium-sized cell image datasets. These findings emphasize that enhancing image data quality and augmenting datasets with both technical and biological replicates could enhance the performance of machine learning algorithms. In summary, while this investigation demonstrates encouraging predictive accuracy, it serves primarily as a proof of concept. AI-based analyses in glioblastoma research have demonstrated promising results; further investigation and integration of larger and more diverse data are required to standardize methodology and improve the interpretability and generalizability of the prediction results.
Benzer Tezler
- Transfer öğrenme, özellik seçimi ve makine öğrenmesi yöntemlerine dayalı karma bir yaklaşım ile nohut tohumu çeşitlerinin çoklu sınıflandırılması
Multiple classification of chickpea seed varieties with a hybrid approach based on transfer learning, feature selection, and machine learning methods
İBRAHİM KILIÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESİBE YALÇIN
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Dinamik sistemlerin kuantum sinir ağlarıyla analizi
Analysis of dynamic systems with quantum neural networks
BEŞİR OĞUR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. İHSAN YILMAZ
- Ahşap kusur tespiti için bilgisayar görüşü tabanlı makine öğrenimi yaklaşımı
A compuer vision based machine learning approach for wood defect detection
KENAN KILIÇ
Doktora
Türkçe
2025
Ağaç İşleriGazi ÜniversitesiAğaç İşleri Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR ÖZCAN
- Güçlendirilmiş sezgisel üstü algoritma temelli makine öğrenme algoritmaları ile veri sınıflandırma stratejileri
Data classi̇fi̇cati̇on strategi̇es usi̇ng enhanced metaheuri̇sti̇c-based machi̇ne learni̇ng algori̇thms
BEYTULLAH YAĞIZ
Doktora
Türkçe
2026
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. YENER ALTUN
DOÇ. DR. ERDAL EKER