Deep convolutional network for tumor bud detection
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Tümör tomurcuklanmasının gözlenmesi, kolorektal karsinomların evrelenmesinde ümit veren bir biyobelirteç olarak kabul edilmektedir. Mevcut tıp uygulamalarında, bu tümör tomurcukları, immünohistokimyasal (IHK) olarak boyanmış doku örneğinin mikroskop altında manuel olarak incelenmesi ile tespit edilmektedir. Öte yandan bu manuel inceleme zaman kaybına ve aynı zamanda gözlemciler arası değişkenliğe yol açabilmektedir. Hızlı ve tekrarlanabilir incelemeler için, bilgisayar destekli çözümler geliştirmek giderek daha fazla önem kazanmaktadır. Bu motivasyon ile, bu tez, otomatik tümör tomurcuklanma tespiti amacıyla ilk defa bir tam evrişimsel ağ tasarımı sunmaktadır. Bu ağ tasarımı, güncel öğrenme mekanizmaları dikkate alınarak U-net mimarisi üzerine geliştirilmiştir. Bu mekanizmalar, kodlayıcı evresinde veri besleme bağlantılarının kullanılmasını, hem ELU hem de ReLU aktivasyon fonksiyonlarının ağın farklı katmanlarında kullanılmasını, ağın Tversky hata hesaplama fonksiyonuyla eğitilmesini ve son bölütleme haritasının geri çatılması için geri kodlayıcının farklı katmanlarında elde edilen çıktıların birleştirilmesini içerir. IHK ile boyanmış kolorektal karsinom örneklerinin 23 tam biyopsi slayt görüntüsünden alınan 3295 görüntü üzerinde yaptığımız deneyler, bu genişletilmiş versiyonun gradyan sıfırlanması problemini ve çok büyük sınıf dengesizliği durumuna sahip veri setindeki olumsuzlukları hafifletmeye yardımcı olduğunu göstermiştir. Sonuç olarak, bu ağ tasarımının, yaygın kullanılan iki başka ağa kıyasla daha iyi bölütleme sonuçları verdiğini göstermiştir. The existence of tumor buds is accepted as a promising biomarker for staging colorectal carcinomas. In the current practice of medicine, these tumor buds are detected by the manual examination of a immunohistochemically (IHC) stained tissue sample under a microscope. This manual examination is time-consuming as well as it may lead to inter-observer variability. In order to obtain fast and reproducible examinations, developing computational solutions has been becoming more and more important. With this motivation, this thesis presents a fully convolutional network design for the purpose of automatic tumor bud detection, for the first time. This network design extends the U-net architecture by considering up-to-date learning mechanisms. These mechanisms include using residual connections in the encoder path, employing both ELU and ReLU activation functions in different layers of the network, training the network with a Tversky loss function, and combining outputs of different layers of the decoder path to reconstruct the final segmentation map. Our experiments on 3295 image tiles taken from 23 whole slide images of IHC stained colorectal carcinomatous samples show that this extended version helps alleviate the vanishing gradient problem and those related with having a high class-imbalance dataset. And as a result, this network design yields better segmentation results compared with those of the two state-of-the-art networks.
Collections