Multilevel cluster ensembling for histopathological image segmentation
Histopatolojik görüntü bölütlemesi için çok seviyeli kümeleme bileşimi
- Tez No: 285750
- Danışmanlar: PROF. DR. CEVDET AYKANAT, YRD. DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü bölütleme, Histopatoloji, Image segmentation, Histopathology
- Yıl: 2011
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Bölümü
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dokuların patologlar tarafından histopatolojik incelemesinin yapılması, kanser tanı veerecelendirmesinde altın standart olarak kabul edilir. Bu işlemde gözlemcilerin değişkenliköstermesi, tanı sonuçlarında öznelliğe sebep olur. Bu tarz sorunların üstesinden gelebilmekçin, nicel veriler kullanan hesaplamasal teknikler ileri sürülmüştür. Bu teknikler, dokuesimlerinin homojen bölgelerden oluştuğunu varsayarak bu resimlerden matematikselzellikler çıkarır ve resimleri sınıflandırır. Fakat bu varsayım her zaman doğru değildir veınıflandırmadan önce resimlerin bölütlenmesi gerekir. Resimleri bölütlemek için çeşitlieknikler ileri sürülmüştür, fakat bu tekniklerin çoğu imgecikler üzerinde çalışır vegenel resimler için geliştirilmiştir. Son zamanlarda birkaç algoritma doku resimleribölütlemede ıbbi bilgileri kullanmıştır. Bu tekniklerin yüksek seviye özellik tanımlarıçok ümit vericidir. ncak, bu teknikler bölütleme safhalarında, çok kararlı olmayanve yerel çözümlere kaçabilen ölge büyütme yaklaşımını kullanmıştır.Bu tezde, histopatolojik resimlerin bölütlenmesi için yüksek kalite sonuçlar üreten, verimli ve ararlı bir yöntem sunuyoruz. Doku resimlerini bölütlemek için var olanyüksek seviye özellik tanımlarını kullandık. Bölütleme yöntemimiz, bizimle aynı özelliktanımını kullanan diğer yöntemlerin bölütleme başarısını ve kararlılığını önemli derecedearttırıyor. Resim bölütleme problemini bir kümeleme problemi olarak kabul ettik.Kümeleme sonuçlarının kalitesini ve kararlılığını arttırmak için farklı kümeleme sonuçlarınıbir araya getirip birleştirdik. Bu teknik, kümeleme bileşimi olarak da bilinir. Biz ayrıcakümeleme problemini çizge bölümleme problemine dönüştürdük. Birbirinden farklı veyüksek kaliteli kümeleme sonuçları elde etmek için, iyi bilinen çok seviyeli çizgebölümleme tekniği üzerinde değişiklikler ve iyileştirmeler yaptık. Yöntemimiz tıbbi olarak bir anlamı olan nesneleri ayrı bölgelere toplayarak sonuç bölütlemeyi elde eder.Yaptığımız deneyler, önerdiğimiz çok seviyeli kümeleme bileşimi tekniğinin, genel resimlerve doku resimleri için daha önceden önerilmiş bölütleme tekniklerinden çok daha iyisonuçlar ürettiğini gösterdi. Deneylerde kullandığımız doku resimlerinin çoğu resimelde etme aşamasında ortaya çıkan bozulmalar içermesine rağmen, önerdiğimizyöntem yüksek kaliteli sonuçlar üretti.
Özet (Çeviri)
In cancer diagnosis and grading, histopathological examination of tissues bypathologists is accepted as the gold standard. However, this procedure has observervariability and leads to subjectivity in diagnosis. In order to overcome suchproblems, computational methods which use quantitative measures are proposed.These methods extract mathematical features from tissue images assuming theyare composed of homogeneous regions and classify images. This assumption isnot always true and segmentation of images before classification is necessary.There are methods to segment images but most of them are proposed for genericimages and work on the pixel-level. Recently few algorithms incorporated medicalbackground knowledge into segmentation. Their high level feature definitionsare very promising. However, in the segmentation step, they use region growingapproaches which are not very stable and may lead to local optima.In this thesis, we present an efficient and stable method for the segmentationof histopathological images which produces high quality results. We use existinghigh level feature definitions to segment tissue images. Our segmentation methodsignificantly improves the segmentation accuracy and stability, compared to existingmethods which use the same feature definition. We tackle image segmentationproblem as a clustering problem. To improve the quality and the stabilityof the clustering results, we combine different clustering solutions. This approachis also known as cluster ensembles. We formulate the clustering problem as agraph partitioning problem. In order to obtain diverse and high quality clusteringresults quickly, we made modifications and improvements on the well-knownmultilevel graph partitioning scheme. Our method clusters medically meaningfulcomponents in tissue images into regions and obtains the final segmentation.Experiments showed that our multilevel cluster ensembling approach performedsignificantly better than existing segmentation algorithms used for genericand tissue images. Although most of the images used in experiments, containnoise and artifacts, the proposed algorithm produced high quality results.
Benzer Tezler
- Dealing with selection bias in multilevel observational studies: An evaluation of propensity score and direct estimation procedures
Başlık çevirisi yok
SUNGUR GÜREL
Doktora
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUnıversıty Of FlorıdaDR. WALTER LEITE
- Predictors of hybrid organizational identity: Evidence from the Turkish theatre field, 1923-1999
Melez örgütsel kimliklerin belirleyicileri: Türkiye tiyatro alanından bulgular, 1923-1999
ÖZGE CAN
- Hiyerarşik lineer modeller ve bir uygulama
Hierarchical linear models and an application
SERPİL KILIÇ
Yüksek Lisans
Türkçe
2008
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. İBRAHİM DEMİR
- Firma rekabet gücünü artıran faktörler ve kümelenme yaklaşımı: Türkiye doğal taş kümelenmelerinin rekabet gücü açısından incelenmesi
Cluster approach and sources of firm competitiveness: Competitive analysis of natural stone clusters in Turkey
İHSAN ULAŞ KOCAOĞLU
- The regulatory effect of CcarR activator on the cephamycin C gene cluster of Streptomyces clavuligerus
CcaR aktivatörünün Streptomyces clavuligerus?a ait sefamisin C gen kümesi üzerindeki düzenleyici etkisi
ASLIHAN KURT
Doktora
İngilizce
2011
MikrobiyolojiOrta Doğu Teknik ÜniversitesiBiyoloji Bölümü
PROF. DR. GÜLAY ÖZCENGİZ