Graph representation learning for histopathological images
Histopatolojik görüntüler için çizge temsil öğrenimi
- Tez No: 770656
- Danışmanlar: DOÇ. DR. GÖKHAN BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Evrişimli sinir ağları, Grafik sinir ağları, Görüntü işleme, Histopatoloji, Convolutional neural networks, Graph neural networks, Image processing, Histopathology
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kanser, insan yaşamını etkileyen büyük tehditlerden biridir. Kanser hastalıklarında ölüm oranı oldukça yüksektir ve tedavisi oldukça zor bir süreçtir. Erken teşhis kanser tedavisinde çok önemlidir. Kanser tespiti insan dokusundan numune alınıp laboratuvarda patologlar tarafından incelenmesi sonucunda yapılmaktadır. İnsana bağlı bir teşhis olduğundan kişiden kişiye sonuç değişebilmektedir. Patolog teşhisini kolaylaştırmak, teşhiste hata oranını en aza indirgemek için bilgisayar destekli teşhisler önem arz etmektedir. Çizge, her yerde bulunan verileri temsil etmenin çok yönlü ve etkili bir yoludur. Farmasötik öneriler, protein arayüzü tahmini, görüntü ve sosyal ağlar gibi birçok gerçek zamanlı problemler çizgeyi temsil etmektedir. Geleneksel makine öğrenme teknikleri ve derin öğrenme modelleri bu veriler üzerinde çalıştığında, verileri düzleştirmek gibi ön işlemlere ihtiyaç duyulmakta ve tüm veriler aynı boyutta olmalıdır, bu nedenle sorunların doğasından gelen bilgilerin kaybolmasına neden olmaktadır. Önyargı bilgisini kaybetmeden, çok başarılı bir yöntem olan sinir ağlarının görüntü ve diğer Öklidyen olmayan yapılar üzerinde çizge sinir ağları mantığı ile uygulanabilmektedir. Çizge sinir ağları , çizge gibi verilere evrişim mantığı uygulanarak oluşturulan derin öğrenme yöntemidir ve bir çok uygulamada başarılı sonuçlar vermiştir. Bu nedenle histopatolojik görüntüleri çizgeyle temsil etmek, çekirdekler arasındaki bağlantıyı bilmek avantaj sağlayabilmektedir. Bu çalışmada, biyomedikal görüntü türleri olan histopatoloji görüntülerinin Çizge sinir ağları kullanılarak sınıflandırılmasındaki zorluklar araştırılmıştır. Çizge tabanlı yöntemlerin uygulanabilmesi için verilerin çizge türünde olması gerekmektedir. Görüntü veri kümesini grafik veri kümesine dönüştürmek için öncelikle her yama bir çizgeye dönüştürülmesi gerekmektedir böylece çizge veri kümesi oluşturulacaktır. Çizge oluşturulurken öncelikle görüntü süper piksellere bölünmektedir ve ardından her bir süper piksel, çizgenin düğümü ve her komşu süper piksel arası kenar olarak belirlenmektedir. Bu yöntemle oluşturulan çizgelere süper piksel çizgeleri denir. Ardından yamaların sınıflandırılması için çizge veri kümesine üç ayrı çizge sinir ağı uygulanmıştır.
Özet (Çeviri)
Cancer is one of the major threats affecting human life. The mortality rate in cancer diseases is quite high and its treatment is a very difficult process. Early diagnosis is very important in cancer treatment. Cancer detection is made as a result of taking samples from human tissue and examining them in the laboratory by pathologists. Since it is a human-based diagnosis, the result may vary from person to person. Computer-assisted diagnostics are important to facilitate the diagnosis of the pathologist and to minimize the error rate in the diagnosis. Graphs are a versatile and effective way of representing data that is ubiquitous. Many real time problems such as pharmaceutical recommendations, protein interface prediction, image, and social networks naturally represent graph. When traditional machine learning techniques and deep learning models work on these data needed pre-processing like flatten the data or all data should be same size, so it causes to loss information that comes nature of problems. Without losing bias information, to apply neural networks that very successful method on image and the other types of problems on non-Euclidean structures is using Graph neural networks. Graph neural networks (GNNs) are deep learning method which applying convolution logic to data like graph, and it efficiently applied many applications. That's why representing histopathological images with graph can be advantages to knowing connection between cores. In this study, challenges on classification histopathology images that is biomedical image types using GNNs are investigated. To able to apply the graph based methods, data should be graph type. To convert to image dataset to graph dataset, firstly every patch must be converted a graph, in this way graph dataset will be constructed. While graph creating, first the image is divided super-pixels, and then each super-pixel represents the node of the graph, and edges between each neighboring superpixel are specified. Graphs created by this method are called superpixel graphs. Then three types GNNs approaches has been applied to graph dataset for classification of patches.
Benzer Tezler
- Graph representation learning for text-based event detection
Metin tabanlı olay tespiti için çizge temsil öğrenimi
HİLAL GENÇ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU YILMAZ
- Self-supervised representation learning with graph neural networks for region of interest analysis in breast histopathology
Meme histopatolojisinde ilgi alanı gösterimlerinin çizgesel sinir ağları ile kendinden gözetimli öğrenimi
YİĞİT ÖZEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
- Knowledge graph representation of electronic health records for clinical predictions
Elektronik sağlık kayıtlarını temel alan bilge çizge temsillerinin klinik tahminlerde kullanımı
EGE ALPAY
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZNUR TAŞTAN OKAN
- Improving representation learning in graph neural networks
Çizge sinir ağlarında temsil öğrenimini geliştirmek
TUĞRUL HASAN KARABULUT
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ
- Graph neural networks as surrogate models for structural analysis: A study on buckling behavior
Yapısal analiz için vekil modeller olarak grafik sinir ağları: Burkulma davranışı üzerine bir çalışma
ÖMER KURT
Yüksek Lisans
İngilizce
2025
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Bilim Dalı
DOÇ. DR. ULAŞ YAMAN