dc.contributor.advisor | Akal, Fuat | |
dc.contributor.author | Yücel, Zehra | |
dc.date.accessioned | 2024-10-04T08:58:04Z | |
dc.date.issued | 2024 | |
dc.date.submitted | 2024 | |
dc.identifier.uri | https://hdl.handle.net/11655/35792 | |
dc.description.abstract | Neuroendocrine tumors (NETs) result from the abnormal growth and uncontrolled proliferation of neuroendocrine cells, and pathologists examine them under a microscope to prepare reports. These reports determine the type, grade, and rate of spread of NETs, shaping the patient's treatment plan.
The rapid and accurate evaluation of pathological images is crucial for the detection and treatment planning of the disease. The use of artificial intelligence-based methods for the assessment of pathological processes in NETs can reduce the workload of pathologists. Additionally, in regions with a shortage of expert pathologists, artificial intelligence can play a guiding role.
As part of this thesis, with the approval of the ethics committee report and the assistance of expert pathologists, images were obtained from preparations using two different staining methods to diagnose NETs. Firstly, the YOLOv5 architecture was used for mitotic figure detection from H&E stained images, and a YOLOv5-transformer model was implemented by adding a transformer structure to this architecture. Secondly, a hybrid approach combining U-Net deep learning algorithms and traditional image processing methods was proposed for calculating the Ki67 proliferation index from IHC stained images.
The use of the proposed methods will reduce the workload of pathologists, expedite processes, and minimize the risk of overlooking details. Moreover, the ability of these methods to perform well independently of the amount of data will allow their use in clinical settings. In the literature, no artificial intelligence-supported study combining mitotic figure detection, counting, and Ki67 proliferation index assessment for NET evaluation has been encountered. In this regard, it serves as a guiding study in the field of pathology for NET evaluation. Simultaneously, it provides a resource that can be used for educational purposes for less experienced pathologists and students. | tr_TR |
dc.publisher | Fen Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | tr_TR |
dc.subject | Nöroendokrin tümör | tr_TR |
dc.subject | Mitotik figür | tr_TR |
dc.subject | Ki67 | tr_TR |
dc.subject | YOLOv5 | tr_TR |
dc.subject | Transformer | tr_TR |
dc.subject | U-Net | tr_TR |
dc.title | Nöroendokrin Tümörlerin Histopatolojik Görüntülerinin Derecelendirilmesinde Kullanılan Mitotik Figür Tespiti Ve Sayımı İle Ki67 İndeksininin Hesaplanmasında Hibrit Bir Yöntem Önerilmesi | tr_TR |
dc.type | info:eu-repo/semantics/doctoralThesis | tr_TR |
dc.description.ozet | Nöroendokrin tümörler (NET), nöroendokrin hücrelerin anormal büyüme ve kontrolsüz çoğalması sonucu oluşur ve patologlar tarafından mikroskop altında incelenerek raporlar hazırlanır. Bu raporlar; NET'lerin türünü, derecesini ve yayılma hızını belirlerler ve aynı zamanda hastanın tedavi planını da şekillendirir.
Patolojik görüntülerin hızlı ve doğru bir şekilde değerlendirilmesi, hastalığın tespiti ve tedavi planlaması açısından kritik öneme sahiptir. NET’lerin patolojik süreçlerinin değerlendirilmesi için yapay zeka tabanlı yöntemlerin kullanımı patologların iş yükünü azaltabilir. Ayrıca, uzman patolog eksikliği olan bölgelerde yapay zeka, yol gösterici bir rol oynayabilir.
Bu tez çalışması kapsamında etik kurul rapor onayı ile birlikte uzman patolog yardımıyla NET tanısı konulmuş iki farklı boyama yöntemi kullanılarak elde edilen preparatlardan görüntüler elde edilerek veri kümeleri oluşturulmuştur. Bu veri kümeleri üzerinde ilk olarak, H&E ile boyanmış görüntülerden mitotik figür tespiti için YOLOv5 mimarisi kullanılmış ve bu mimariye transformer yapısı eklenerek YOLOv5-transformer modeli ile mitotik figür tespit işlemi gerçekleştirilmiştir. İkinci olarak, IHC ile boyanmış görüntülerden Ki67 proliferasyon indeksi hesaplanmasında derin öğrenme algoritmalarından U-Net ve geleneksel görüntü işleme yöntemlerinin birleştirildiği hibrit bir yaklaşım önerilmiştir.
Önerilen yöntemlerin kullanılmasıyla patologların iş yükü azaltılacak, işlemler hızlandırılacak ve detayların gözden kaçması riski en aza indirilecektir. Ayrıca, bu yöntemlerin veri miktarından bağımsız olarak iyi performans göstermesi, klinik ortamında kullanıma olanak tanıyacaktır. Literatürde, NET değerlendirmesi için mitotik figür tespiti, sayımı ve Ki67 proliferasyon indeksi değerlendirmesini bir arada kullanan bir yapay zeka destekli çalışmaya rastlanmamıştır. Bu anlamda, patoloji alanında NET değerlendirme işleminde rehber bir çalışma niteliğindedir. Aynı zamanda, daha az deneyime sahip patologlar ve öğrenciler için de eğitim amaçlı kullanılabilecek bir kaynak sunulmaktadır. | tr_TR |
dc.contributor.department | Bilgisayar Mühendisliği | tr_TR |
dc.embargo.terms | Acik erisim | tr_TR |
dc.embargo.lift | 2024-10-04T08:58:04Z | |
dc.funding | Yok | tr_TR |