Histopatolojik görüntü analizi, Hematoksilin ve Eozin (H&E) boyalı görüntülerden nicel bilgiler elde etmek için derin öğrenmeyi kullanan tıbbi araştırmaların önemli bir alanıdır. Bu çalışma, H&E ile boyanmış meme kanseri histopatoloji görüntülerinin analizini, çekirdekler ve mitoz üzerine odaklanmış derin öğrenme metodolojileri geliştirerek geliştirmeyi amaçlamaktadır. Çekirdekler, hastalık teşhisi için hayati bilgiler sağlarken, mitoz, kanser derecelendirmesi ve prognoz tahmini için kritik öneme sahiptir. İki metodoloji öneriyoruz: Birincisi, çekirdekleri CompSegNet adlı U-şekilli bir anlamsal segmentasyon mimarisi kullanarak segment emektedir; ikincisi ise mitotik hücreleri tespit edip sınıflandırmak için nesne tespiti ve bulanık sınıflandırma algoritmalarını birleştiren hibrit bir yaklaşım uygulamaktadır. Bu metodolojilerin etkinliğini değerlendirmek için, kamuya açık iki yeni veri seti sunuyoruz: NuSeC (Çekirdek Segmentasyonu ve Sınıflandırması) ve MiDeSeC (Mitoz Tespiti, Segmentasyonu ve Sınıflandırması). Bu veri setleri, yalnızca metodolojilerimizi doğrulamakla kalmayıp, aynı zamanda histopatolojik görüntü analizi için derin öğrenme modellerinin geliştirilmesine yönelik değerli kaynaklar sunmaktadır.
Histopathological image analysis is a pivotal area of medical research that leverages deep learning to derive quantitative insights from Hematoxylin and Eosin (H\&E) stained images. This study aims to enhance the analysis of H\&E breast cancer histopathology images by developing deep learning methodologies focused on nuclei and mitosis. Nuclei provide essential information for disease diagnosis, while mitosis is crucial for cancer grading and prognosis prediction. We propose two methodologies: the first segments nuclei using a U-shaped semantic segmentation architecture called CompSegNet; the second detects and classifies mitotic cells through a hybrid approach combining object detection and fuzzy classification algorithms. To evaluate the effectiveness of these methodologies, we introduce two new publicly available datasets: NuSeC (Nuclei Segmentation and Classification) and MiDeSeC (Mitosis Detection, Segmentation, and Classification). These datasets not only validate our methodologies but also provide valuable resources for developing deep learning models in histopathological image analysis.
