Derin öğrenme ile histopatoloji görüntülerinde çekirdek örnek bölütleme
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: SERDAR YILDIZ
Danışman: Songül Varli
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Çekirdeklerin şekli, boyutu ve dağılımındaki anormallikler, kanserli dokuların titizlikle incelenmesinde temel göstergeler olarak hizmet ettiğinden, çekirdek yapıları hastalık teşhisinde çok önemli bir rol oynar. Bu nedenle, çekirdek örnek bölütleme görevi, her bir çekirdekğin kapsamlı ve ayrıntılı morfolojik değerlendirmelerine izin verdiği için çok önemlidir. Segmentasyon tekniklerini geliştirerek, etkili tedavi planlaması ve daha iyi sağlık hizmetleri çözümleri için kesinlikle gerekli olan daha hızlı ve daha doğru teşhisleri kolaylaştırabiliriz. Bu tez, çeşitli modeller geliştirip ölçümleyerek histopatoloji görüntülerinde çekirdek örneği segmentasyonunu titizlikle incelemektedir. UNet tabanlı semantik segmentasyonu, genel amaçlı örnek segmentasyon modellerini ve HoVer-Net ve StarDist gibi medikal alana özgü modelleri araştırmaktadır. Ayrıca HR-YOLO ve YOLO-U gibi yeni yaklaşımlar sunuyoruz ve MoNuSeg, CMP17, CoNIC ve CoNSeP veri kümeleriyle alanlar arası testleri kullanarak kapsamlı bir analiz sağlıyoruz. Önerilen çekirdek örnek bölütleme modelimiz HR-YOLO, YOLO mimarisinin küçük ölçekli nesne algılamayı optimize eden geliştirilmiş bir versiyonudur. Önerilen diğer model olan YOLO-U, UNet anlamsal bölümleme yeteneklerini YOLOv7'nin tespit yetenekleriyle birleştiren bir topluluk tekniğidir. Bu çalışma, çalışmalar arasında adil karşılaştırmayı mümkün kılmak için standartlaştırılmış bir deney ortamı oluşturmakta ve çekirdek örnek bölütlemesi konusunda gelecekteki araştırmalar için bir referans noktası oluşturarak alana önemli ölçüde katkıda bulunmaktadır.