Histopatolojik Görüntülerde Çoklu Örnekli Öğrenme ile Hücre Bölütleme
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: SONER KAYA
Danışman: Gökhan Bilgin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda gelişen teknolojinin sağladığı olanaklar yüksek çözünürlüklü görüntüleme sistemlerinin hızla gelişmesini sağlamıştır. Bu gelişmelerden bir tanesi patoloji alanında kullanılan sayısal slayt tarayıcıların çok ileri bir noktaya gelmesidir. Sayısal slayt tarayıcıların gelişmesi tıbbi çalışma alanlarında yapılan bazı analog incelemelerin sayısal ortama aktarılmasını mümkün kılmıştır. Bu çalışma alanlarından bir tanesi hastalık bilimi olarak bilinen patolojidir. Patolojik incelemeler hastalardan alınan numeneler üzerinde hastalıklarla ilgili yapılan tanılama işlemlerini kapsamaktadır. Patolojinin bir alt dalı olan histopatoloji ise hastalıklı dokular üzerinde histolojik incelemelerin yapıldığı çalışma alanıdır. Bu tür tıbbi incelemeler genel olarak büyük boyutlu veriler üzerinde yapılmaktadır ve uzman kişinin bilgi ve tecrübesi konulacak teşhiste belirleyici faktörlerdir. Bu nedenle hem uzman birikimine bağlılığı olabildiğince ortadan kaldırmak hem de büyük verilerin neden olduğu iş yükünü azaltmak için son yıllarda Bilgisayar Destekli Teşhis (BDT) sistemleri üzerinde yapılan çalışmalar önem kazanmıştır. BDT sistemlerinin kullanıldığı çalışma alanlarından bir tanesi de histopatolojidir. Çoğunlukla hücre seviyesinde yapılan histopatolojik incelemelerin temel adımı ilgilenilen farklı biyolojik bileşenlerin görüntüdeki diğer bileşenlerden ayrıştırılması yani bölütlenmesidir. Hücre bölütleme bir BDT sisteminin nihai başarımını doğrudan etkilediği için bölütleme teknikleri üzerinde birçok çalışma yapılmıştır. Bu tez çalışmasında, son yıllarda araştırmacıların ilgisini çeken Çoklu Örnekli Öğrenme (ÇÖÖ, Multiple Instance Learning) paradigması kullanılarak histopatolojik görüntüler üzerinde hücre bölütleme çalışması yapılmıştır. Bu bağlamda öncelikle renk yoğunluk değerleri ve dokusal/uzamsal öznitelikler çıkartılarak kurulan ÇÖÖ sınıflandırıcıları ile ön bölütleme görüntüleri elde edilmiştir. Daha sonra morfolojik operatörler ile düzgünleştirilen ön bölütleme sonuçlarına son işlem adımı olarak Markov Rastgele Alanlar (MRA, Markov Random Fields) tekniği uygulanarak bölütleme başarımının iyileştirilmesi hedeflenmiştir. Çalışma sonunda, kullanılan ÇÖÖ algoritmalarının performansları değerlendirilmiş ve elde edilen sonuçlar geleneksel gözetimli öğrenme algoritmalarının sonuçları ile karşılaştırmalı olarak sunulmuştur.