Novel methods for microscopic image processing, analysis, classification and compression

Mikroskopik imgeler tıp biliminde ve moleküler biyoloji alanında sıklıkla kullanılır. İmge özellikleri değişkenlik gösterdiği için de pek çok ilgi çekici imge işleme problemleri ortaya çıkar. Bu tezde, mikroskopik imge depolama/sıkıştırma ve analiz/sınıflandırma sürecini ele almak için bazı algoritmalar geliştirdik.Sürecimizdeki ilk adım imge sıkıştırmadır. Mikroskopik imgelerin boyutları büyüktür (örneğin 100K'ya 100K piksel) Dolayısıyla da, bu imgelerin verimli bir şekilde iletimi, saklanması ve değerlendirilebilmesi için etkin sıkıştırma yöntemlerinin geliştirilmesi gereklidir.Verilen bir imgenin renk içeriğini kullanarak blok-uyarlamalı renk dönüşümü uygulayan bir imge sıkıştırma yöntemi öneriyoruz. Veri ediminden önce uygulanan boyama sureci sebebiyle dokuların mikroskopik imgeleri kendine özgü bir renk paletine sahiptir. Önerdiğimiz renk dönüşümü bu özellikten faydalanır ve JPEG ya da JPEG 2000 gibi yaygın olarak kullanılan sıkıştırma algoritmalarına eklenebilir. Bu ekleme alıcıda DPCM'e benzer yapısı yüzünden ek bir yük getirmez. Bu yöntemle, standart JPEG ile kıyaslayınca sinyal-gürültü oranında 0.5 dB'ye varan miktarda artış elde ettik.Sürecimizdeki sonraki adım imge analizidir. Mikroskopik imge işleme teknikleri imgelerin sınıflandırmasını ve işlenmesini tekrarlanabilir kılar ve bilgisayar destekli teşhiste faydalı sayısal ölçekler sağlar. Bu amaçla, etkili öznitelik çıkarma ve mikroskopik imge sınıflandırılması için çeşitli yeni teknikler geliştirdik.Burada çarpma gerektirmeyen, hesaplama açısından verimli algoritmalar kullanma avantajını sağlayan, alan tabanlı eş-farklılık matrislerini sınıflandırıcıya girdi olarak verme yöntemini kullanıyoruz. Eş-farklılık matrisleri çerçevesinin, işaret işlemedeki temel bir takım işlerin yapılmasındaki önemini tartışıyoruz.Ayrıca altta yatan olasılık yoğunluk fonksiyonlarını veriden tahmin eden bir takım yöntemler öneriyoruz. Fourier düzlemindeki seyreklik kriterlerini etkili tahminlere ulaşmakta kullanıyoruz. Önerdiğimiz yöntemler Bayes çerçevesinde sınıflandırma için kullanılabilir.Algoritmalarımızın performansını iki imge sınıflandırma probleminde değerlendirdik: Foliküler lenfomanın farklı derecelerini ayırt etmek ve bir takım kanser hücre dizilerini birbirinden ayırmak. İki büyük veri setinde (Foliküler lenfoma için 270 imge ve kanser hücre dizileri için 280 imge) sınıflandırma doğruluğu %98'in üzerindedir.