Çoklu görev öğrenme ve tutarlılık kaybını kullanarak dijital patolojide hücre lokalizasyonu için zayıf denetimden yararlanma

Hücre tespiti ve segmentasyonu, dijital patolojide otomatik sistemlerin önemli bile- şenleridir. Kodlayıcı-çözücü ağ modelleri, bu görevler için umut vaat eden bir çözüm olarak ortaya çıkmıştır. Ancak, bu tür ağların eğitimi genellikle hücrelerin kapsamlı sınır anotasyonlarını gerektirmektedir. Bu anotasyonları oluşturmak oldukça zahmetli olup büyük ölçekli veri olarak elde edilmesi zordur. Bununla birlikte, hücre sayımı gibi birçok uygulamada, zayıf anotasyon türleri – örneğin nokta anotasyonları veya yaklaşık hücre sayıları – eğitimi sağlamak için yeterli gözetimi sunabilir. Bu tez, hücre sayılarının patologların sıklıkla kullandığı hızlı bir gözle tarama ve yakınsama tekniği olan göz kararı yönteminden türetilmesiyle elde edilen zayıf anotasyonları içeren yeni bir karma gözetimli öğrenme yaklaşımı önermektedir. Bu tezin iki ana katkısı vardır: (1) İlk defa, göz kararı yöntemiyle elde edilen hücre sayılarının yardımcı bir gözetim sinyali olarak kullanıldığı karma gözetimli bir strateji önermektedir. (2) Önerilen çok görevli ağ, hücre sayımı ve hücre lokalizasyonu görevlerini eşzamanlı olarak öğrenmek üzere tasarlanmıştır ve bu tez, bu iki görevin tahminleri arasındaki tutarsızlıkları cezalandırarak eğitimi düzenleyen bir tutarlılık kayıp terimi önermektedir. Hematoksilin-eozin boyalı doku görüntülerinden oluşan iki veri kümesi üzerinde yapılan deneyler, önerilen yöntemin bu en zayıf anotasyon türünü etkili bir şekilde kullanarak, güçlü anotasyonların sınırlı olduğu durumlarda performansı iyileştirdiğini göstermektedir. Bu sonuçlar, ağ eğitimi sürecine göz kararı yöntemi ile türetilmiş gerçek değerlerin dahil edilme potansiyelini ortaya koymakta ve elde edilmesi yoğun kaynak kullanımı gerektiren anotasyonlara olan ihtiyacı azaltmaktadır.