Atıf Sayısı
9
Görüntüleme
27
İndirme
1
Histopatoloji organlar, dokular ve hücreler üzerinde oluşan değişikliklerin mikroskop üzerinde incelenmesidir. İncelenmesi gereken dokular, mikro kesiciler tarafından incelenmeye uygun kalınlıkta kesilmektedir. Kesilen dokulara bazı boyama teknikleri uygulanmaktadır. Hematoksilin-Eozin(H&E) yöntemi, en yaygın kullanılan boyama tekniğidir. Hematoksilin, hücre çekirdeklerini mavi tonlarına, eozin ise sitozplazmaları pembe tonlarına boyamaktadır. Boyanan kesitler, uzman tarafından değerlendirilmektedir. Histopatoloji görüntüleri kanser hastalığının tespiti ve kanser durumunun derecelendirilmesi için oldukça önemli rol oynamaktadır. Bu görüntülerdeki çekirdeklerin daha kolay ve başarılı analiz edilmesi için literatürde birçok çalışma bulunmaktadır. Bu çalışmalar son zamanlarda derin öğrenmenin semantik segmentasyon alanına odaklanmış ve ilgili yöntemlerle umut verici sonuçlar elde edilmiştir. Her ne kadar çekirdek segmentasyon alanında derin öğrenme yöntemleriyle çeşitli çalışmalar gerçekleştirilmiş olsa da ilgili derin öğrenme mimarilerinin birbiriyle karşılaştırmalı analizini gerçekleştiren kapsamlı bir çalışma literatürde bulunmamaktadır. Bu çalışmada popüler derin öğrenme yöntemlerinden olan U-Net, SegNet, FCN ve DeepLabV3+ olmak üzere dört farklı mimari, çekirdek segmentasyonuna uygulanıp ve gerekli analizler yapılarak en fazla faydayı sağlayan mimariyi ortaya çıkartmak amaçlanmıştır. Çalışmada uygulanan genel çekirdek segmentasyonu metodolojisi üç aşamadan oluşmaktadır: 1) Görüntü verileri eğitilmeden önce CLAHE algoritması ile ön işlemden geçirilip daha kaliteli görüntüler elde edilmeye çalışılmıştır; 2) CLAHE algoritması ile ön işlemden geçirilen görüntü verileri kullanılarak ilgili derin öğrenme mimarisi ile eğitilmiştir; 3) Eğitilen model test görüntüleri üzerinde global doğruluk ve ortalama IOU gibi kriterler kullanılarak geçerleme işlemi gerçekleştirilmiştir. Deneysel çalışmalar için içerisinde birden fazla organın histopatoloji görüntülerini bulunduran MoNuSeg veri seti kullanılmıştır. Gerçekleştirilen deneysel çalışmalar sonucunda, DeepLabV3+ mimarisi diğer mimarilere oranla çok daha kısa sürede işlemini tamamlamış ve diğer mimarilerden gözle görülür ölçülde daha iyi performans elde etmiştir.
Histopathology is the study of changes occurring on organs, tissues and cells on a microscope. The tissues to be examined are cut in a thickness suitable for examination by micro-cutting devices. Some painting techniques are applied to cut tissues. Hematoxilin-Eozin (H&E) method is the most commonly used painting technique. Hematoxyline paints the cell nuclei in blue shades, while eosine paints the cytosplasms in pink shades. The painted cuts are assessed by a specialist. Histopathological images play a very important role in the detection of the cancer disease and the classification of the cancer status. There are many studies in literature to make the core of these images easier and more successful to analyze. These studies have recently focused on the field of semantic segmentation of deep learning and have achieved hopeful results with related methods. Although various studies have been conducted with deep learning methods in the field of core segmentation, there is no comprehensive study in the literature that performs comparative analysis of the relevant deep learning architectures. The aim of this study is to reveal the most beneficial architecture by applying four different architectures, including U-Net, SegNet, FCN and DeepLabV3+, which are the popular deep learning methods, and by performing the necessary analyses. The overall core segmentation methodology applied in the study consists of three stages: 1) Imaging data was processed in advance with the CLAHE algorithm before training and improved quality images were tried to be obtained; 2) CLAHE algorithm was trained with the related deep learning architecture using the image data processed in advance; 3) The implementation process was carried out using criteria such as global accuracy and average IOU on the trained model test images. For experimental studies, the MoNuSeg data set, which contains the histopathological images of several organs, was used. As a result of experimental studies, the DeepLabV3+ architecture completed its processing much faster than other architectures and achieved a significantly better performance than other architectures.
Histopathology is the examination of changes on organs, tissues and cells on a microscope. Tissues to be examined are cut by micro-cutters in a suitable thickness for examination. Some painting techniques are applied to the cut tissues. The Hematoxylin-Eosin (H&E) method is the most commonly used staining technique. Hematoxylin stains cell nuclei in shades of blue, and eosin stains cytosplasms in shades of pink. Stained sections are evaluated by the expert. Histopathology images play an important role in detecting cancer disease and grading cancer status. There exist many studies in the literature to analyze nucleus in these images more easily and successfully. These studies have recently focused on the semantic segmentation area of deep learning and promising results have been obtained using the corresponding methods. Although various works have been conducted with deep learning methods in the field of nucleus segmentation, there is no comprehensive work in the literature that makes comparative analysis of related deep learning architectures. This study aims to apply four different well-known deep learning architectures, which are U-Net, SegNet, FCN, and DeepLabV3+, to nuclei segmentation and determine the most suitable one for this process. The general nucleus segmentation methodology applied in the study consists of three stages; 1) Before training the image data, it is pre-processed with the CLAHE algorithm to obtain better quality images; 2) The pre-processed image data using the CLAHE algorithm is trained with the relevant deep learning architecture; 3) The trained model is verified on test images using criteria such as global accuracy and average IoU. For experimental analysis, MoNuSeg data set containing histopathology images of more than one organ is used. According to the results, DeepLabV3+ architecture completes its operation in a much shorter time than other architectures and achieves a noticeably better performance than the rest of the architectures.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
