H&E boyalı histopatolojik görüntülerde çekirdek segmentasyonu için derin öğrenmeye dayalı yeni bir mimarinin geliştirilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: MOHAMED TRAORE
Danışman: Refik Samet
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Histopatolojik görüntüler, tıbbi patolojide çekirdek sayma, çekirdek yoğunluğu tahmini, çekirdek-sitoplazma oranı hesaplama ve nükleer atipi derecelendirme gibi görevleri mümkün kılarak tıbbi patolojinin önemli bir rolünü üstlenmektedir. Çekirdek segmentasyonu ve tespitinin otomatikleştirilmesi, patologların iş yükünü azaltmanın yanı sıra tanı ve tedavi planlama süreçlerini kolaylaştırarak kararların doğruluğunu ve tutarlılığını artırmaktadır. Tıbbi görüntü segmentasyonunda, özellikle histopatolojik görüntü analizinde, U-Net mimarisi mükemmel sonuçlar vererek facto bir standart haline gelmiştir. Ancak, U-Net mimarisi, konvolüsyonlar aracılığıyla yerel bilgiyi etkili bir şekilde yakalama yeteneğine sahip olmasına rağmen, uzun mesafe bağımlılıklarını açıkça yakalama konusunda sınırlı yeteneğe sahiptir. İlk olarak diziden-diziye dönüşüm tahminleri için tasarlanan Transformerlar, küresel öz-dikkat (self-attention) mekanizmasına sahip alternatif mimariler olarak ortaya çıkmıştır. Bununla birlikte, Transformerlar düşük seviye özelliklere yeterince odaklanmama nedeniyle lokalizasyon ve ince ayrıntıların yakalanmasında eksiklikler gösterebilmektedirler. Bu tez çalışmasında, H&E boyalı histopatolojik görüntülerde çekirdeklerin doğru segmentasyonu için hem konvolüsyonel hem de Transformer bloklarını kullanan CompSegNet adlı yeni bir U-şekilli mimari önerilmiştir. Bu kapsamda önerilen konvolüsyonel bloklar, Mobil Konvolüsyon (MBConv) bloğuna, Büyüt-Filtrele-Küçült (BFK) olarak adlandırılan yeni bir alıcı alan genişletme stratejisi vasıtasıyla yeterli alıcı alan sağlanarak, ardından iyileştirilmiş küresel bağlam (GC) bloğunun integrasyonuyla küresel bağlam modellemesi yeteneğini kazandırılarak elde edilmiştir. CompSegNet'in darboğazı, Transformer kodlayıcı bloklarını Sandglass bloğunun bir varyantına özel bir şekilde entegre eden Artık Darboğazlı Transformer (ADT) bloğundan oluşmaktadır. Ek olarak, girdi görüntülerindeki olası gürültülerin etkisini hafifletmek amacıyla U-şekilli mimarinin en üst seviyesinde bir gürültüye duyarlı kök (GDK) bloğu tasarlanmıştır. Ayrıca, mimarinin genel segmentasyon performansını iyileştirmek için ağırlıklı bir ortak kayıp fonksiyonu önerilmiştir. Önerilen CompSegNet mimarisi, nicel ve nitel değerlendirmelerde mevcut çekirdek segmentasyon yöntemlerine göre üstün performans sergilemekte ve aynı zamanda makul sayıda parametreyi korumaktadır. CompSegNet, MoNuSeg 2018 ve NuSeC 2023 veri setlerinde değerlendirildiğinde sırasıyla 0.704 ve 0.677 AJI skorlarını elde ederek, doğru çekirdek segmentasyonundaki etkinliğini kanıtlamıştır.