Nuclei segmentation with generative adversarial networks

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: ONUR CAN KOYUN

Danışman: Tülay Yıldırım

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Mikroskobun keşfedilmesinden bu güne, doku örnekleri analiz edilerek hastalıkların tanı ve ilerliyiş analizinin yapılması çok önemli bir hale gelmiştir. Patologlar hücreleri, hücre çekirdeklerini veya kolajeni vurgulamak amacı ile kimyasallar ile boyanmış doku örneklerini analiz eder. Hücrelerin sahip olduğu morfolojik özellikler, hastalığı anlamaya ve tedavi yolları bulmaya yardımcı olur. Ancak, patoloji analizi çok pahalı ve zaman alıcı bir süreçtir. Ek olarak, histopatoloji görüntülerinin altında yatan bilgileri yorumlamak için patologların bir hücre ve doku fizyolojisini derinlemesine bilmesi gerekir. Ayrıca, farklı patologlar farklı yorumlar yapabilirler. Dijital patolojide hızlı, güvenilir ve gözlemciden bağımsız otomatik yöntemler hızla gelişmektedir. Bölütleme, histopatoloji görüntülerinin sınıflandırılması ve hücre tespiti gibi problemler makine öğrenmesi ve görüntü işleme teknikleri ile çözülmektedir. Çekirdek bölütleme problemindeki en başarılı yöntemler, eğiticili derin öğrenme yöntemlerini içerir. Ancak, bu yöntemlerin bazı dezavantajları vardır. Etiketli veriler genellikle elde edilmesi zordur ve belirli bir veri kümesini genelleştirmek için eğitilmiş modeller, farklı yollarla elde edilmiş veya farklı dokulardan alınmış veri kümelerinde kullanılamayabilir. Bu çalışmada, çekirdek bölütleme problemi için çekişmeli üretici modeller ele alınmıştır. İki farklı yaklaşım önerilmiştir. Derin modellerin veriye bağımlılığını çözmek için domen-adaptasyon modeli önerilmiştir. Diğer yöntem, histopatoloji görüntüleri üzerinde denetimsiz bir bölümleme yapmak için çekirdekten-etikete-geçiş modeli önerilmiştir.