Deep learnıng based cell segmentatıon ın hıstopathologıcal ımages

Dijital patolojide, hücre görüntüleme sistemleri, histopatolojik olayları hücresel düzeyde anlamamıza izin verir. Bu sistemlerde genellikle ilk adım, histopatolojik görüntülerin etkili ve güvenilir bir analizi için sonraki aşamaları büyük ölçüde etkileyen hücre bölütlemesidir. Diğer taraftan, hücre bölütlemesi, farklı piksel yoğunluklarına ve morfolojik özelliklere sahip hücrelerin bulunduğu histopatolojik görüntüler için zor bir iştir. Hücrelerin hem piksel yoğunluğunu hem de morfolojik özelliklerini bütünleştiren yaklaşımların, başarılı bölütleme sonuçlarına ulaşması muhtemeldir. Bu tez, rutin olarak kullanılan hematoksilen ve eosin tekniği ile boyanmış histopatolojik doku örnek görüntülerinde hücrelerin güvenilir bölütlemesi için derin öğrenme tabanlı bir yaklaşım önermektedir. Bu yaklaşım, ilk aşamada piksel yoğunluğunu ve ikinci aşamada morfolojik hücre özniteliklerini kullananan iki aşamalı konvolüsyonel sinir ağlarını ortaya koymaktadır. Önerilen yöntem, hücre morfolojisi ile ilgili hücre özniteliklerinin, birinci aşamada üretilen sınıf etiketlerinden ve olasılıklarından çıkarılmasına ve son bölütleme için ikinci aşamada morfolojik hücre özniteliklerinin kullanılmasına dayanmaktadır. Önerilen yaklaşım 3428 hücre üzerinde test edilmiş ve deneysel sonuçlar, yaklaşımımızın farklı bölütleme teknikleriyle karşılaştırıldığında daha iyi bölütleme sonuçları verdiğini göstermiştir.