Detection and Classification of Nuclei in Histopathological Images
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: İngilizce
Öğrenci: ROAA SAFI ABED ALAH
Danışman: Gökhan Bilgin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Histopatoloji, bir hastalıgın analiz ve karakterize edilmesi için vücuttan alınan ˘ dokuların mikroskop altında incelenmesidir. Histopatoloji kelimesini sözcüklerine ayırırsak, doku incelemesi histoloji, hastalık çalı¸sması ise patoloji olarak adlandırılır. Bu nedenle, histopatoloji hastalıklarla ilgili dokular üzerinde çalı¸sılması anlamına gelir. Bu çalı¸smada, hücresel yapıların otomatik analizi histopatolojik görüntülerde incelenmi¸stir; geleneksel manuel yöntemler ise patologlar için nispeten pahalı ve zaman alan bir i¸s yüküdür. Son zamanlarda bilgisayarlar, hücresel yapıların histopatolojik görüntülerden çıkarılmasında patologlar için yüksek öneme sahip olan tanısal algoritmalar üzerine yapılan ara¸stırmalara yardımcı olmu¸stur. Bu tezde, histopatolojik görüntülerde çekirdeklerin tespiti ve sınıflandırılması için iki yakla¸sım önerilmi¸stir. ˙Ilk olarak, iki yöntemle bilgisayarlarda zor bir problem olan histopatolojik görüntülerde çekirdek merkezlerini tespit edilmi¸stir. ˙Ilk yöntem iki ana a¸samadan olu¸sur: bulanık c-ortalama (BCO) algoritmasıyla ön bölütleme ve sonrasında küçük evri¸simsel sinir agı (Tiny-CNN) ile çekirdek merkezlerinin tespiti. Bu noktada, ˘ egiticisiz yöntem (FCM), ilgili dokudaki hücresel yapılar hakkında daha fazla bilgi ˘ bulmak için egiticili yöntem (Tiny-CNN) ile birle¸stirilmi¸stir. ˘ ˙Ikinci yöntemde, derin ögrenme yöntemi çekirde ˘ gin merkezini do ˘ grudan tespit etmek için kullanılmı¸stır. ˘ Daha sonra, bu yöntemlerin her biri, histopatolojik görüntülerde hücre yapısı hakkında daha fazla ayrıntı çıkarmak için birle¸stirilir. Deneyler iki farklı veri kümesi üzerinde gerçekle¸stirilmi¸stir: Kaliforniya Üniversitesi Santa Barbara'nın UCSB-58 veri kümesi ve University of Warwick'in CRC-100 veri kümesi. Bu çalı¸smada ikinci yakla¸sım olarak, histopatolojik görüntülerde çekirdek sınıflamasını önerilmi¸stir. Çekirdek örüntülerinin histopatolojik görüntülerde sınıflandırılması, geni¸s bir yelpazedeki biyomedikal ara¸stırmalarda büyük ilgi çekmektedir. Son yıllarda, derin ögrenme ˘ yakla¸sımlarındaki geli¸smeler farklı sorunları çözmü¸s ve histopatolojik görüntüler üzerinde ümit verici sonuçlar göstermi¸stir. Bu geli¸smeler ara¸stırmacılara, yüksek etiketleme maliyetleri olmadan farklı patolojik çekirdek örnekleri arasındaki farkı ayırt etmelerinde yardımcı olmu¸stur. Manuel bir rutin incelemede, mikroskop altında histopatolojik slaytların analizi, subjektif degerlendirmeler nedeniyle hassas, ˘ yava¸s ve yanlı¸s olabilir. Tezin bu bölümünde, histopatolojik görüntülerde otomatik çekirdek sınıflaması için iki farklı tipte makine ögrenme yakla¸sımı hedeflenmi¸stir. ˘ Yapılan deneylerde Warwick Üniversitesi'nin dört farklı çekirdek tipine sahip kolon verilerini kullandık: bu sınıflar epitelyal, enflamatuar, fibroblast ve diger türleridir. ˘ ˙Ilk yakla¸sımda, özellik çıkarımı için evri¸simli bir sinir agı kullanılmı¸s ve destek ˘ vektör makinesi yöntemiyle sınıflandırma modeli elde edilmi¸stir. ˙Ikinci yakla¸sımda, lokal faz nicelemesi (LFN), bir veri kümesi büyütme uygulayarak destek vektör makine temelli sınıflandırma ile birlikte kullanılmı¸stır. Sonuç olarak, elde edilen sonuçların histopatolojik görüntülerde çekirdeklerin tespiti ve sınıflandırılmasında yüksek dogruluk oranlarına ula¸stı ˘ gını söyleyebiliriz.