|
Kanser tanısı ve derecelendirilmesi için doku örneklerinin pataloglar tarafından incelenmesi gereklidir. Fakat, bu inceleme patalogların dokuyu görsel olarak incelemesinden dolayı oldukça fazla öznelliğe sebep olur. Bu problemi azaltmak için bilgisayar ortamında ölçülebilir değerler ile çalışan sistemler geliştirilmelidir ve imge bölütleme işlemi de bu sistemlerin temel taşıdır. Literatürdeki imge bölütleme yöntemleri dokuları nicelendirmek için genel olarak piksel düzeyindeki renk/yapı tanımlayıcılarını kullanır. Ancak piksel düzeyindeki bu bilgiler doku bileşenlerinin uzamsal organizasyonu gibi patolojiye özgü bilgiyi ifade edebilmek ve bu bilgiyi kullanabilmek için yeterli değildir. Bunun yanında, genel olarak doku resimlerinde oldukça fazla varyasyon ve piksel düzeyinde parazit bulunur; farklı doku bileşenlerinin benzer renk dağılımları, hücre dizilimlerindeki dağılmalar ve fazla boyanmadan dolayı oluşan bölgesel renk karşıtlıkları gibi. Önceki bölütleme yöntemleri piksel düzeyinde tanımlayıcılar kullandıkları için belirtilen bu problemlere karşı daha fazla duyarlıdır.Bu sorunları başarılı bir biçimde çözebilmek için, bu tezde üç yeni yapısal tanımlayıcı sunduk -- bunlar ObjSEG, GraphRLM ve ObjCooc yapıları olarak adlandırıldı -- ve histopatolojik doku resimlerinin bölütlenmesi için bu tanımlayıcıları kullanan yöntemler geliştirdik. Bu tanımlayıcıları yaklaşık olarak dairesel nesnelerle betimlenmiş doku bileşenleri üzerinde hesapladık. Belirtilen nesneye dayalı tanımlayıcılar doku bileşenleri üzerinden çıkarıldıkları için bu bileşenlerin uzamsalorganizasyonunu ve dolaylı olarak patolojiye özgü bilgileri literatürdeki emsallerine kıyasla daha iyi temsil edebilirler. Böylece bu tanımlayıcıları kullanarak geliştirdiğimiz yöntemler de daha verimli ve güçlü sonuçlar çıkarabilır. Ayrıca, bu tanımlayıcılar direk olarak imge pikselleri üzerinden hesaplanmadıkları için piksel düzeyindeki problemleri de azaltma konusunda daha etkilidirler.Deneylerimizde, sunduğumuz nesneye dayalı tanımlayıcıları kullanan imge bölütleme yöntemlerimizi 200 kolon doku imgesinde test ettik. Deneylerimiz, nesneye dayalı bu yeni tanımlayıcıların hem yüksek oranda doğruluk veren bölütleme sonuçları çıkardığını hem de bölütlenmiş alan sayısını makul seviyelerde tutmayı başardığını kanıtladı. Deneysel sonuçlarımız, önceki imge bölütleme yöntemleriyle de karşılaştırıldığında, sunduğumuz yöntemlerin histopatolojik resimlerin bölütlenmesinde daha etkili olduğunu gösterdi.
|
|
The histopathological examination of tissue specimens is essential for cancer diagnosis and grading. However, this examination is subject to a considerable amount of observer variability as it mainly relies on visual interpretation of pathologists. To alleviate this problem, it is very important to develop computational quantitative tools, for which image segmentation constitutes the core step. The segmentation algorithms in literature commonly use pixel-level color/texture descriptors that they define on image pixels for quantizing a tissue. On the other hand, it is usually harder to express domain specific knowledge about tissues, such as the spatial organization of tissue components, using only the pixel-level descriptors. This may become even harder for tissue images, which typically consist of a considerable amount of variation and noise at their pixel-level, such as similar color distribution of different tissue components, distortion in cell alignments, and color contrast caused by too much stain in a particular region. The previous segmentation algorithms are more susceptible to these problems as they work on pixel-level descriptors.In order to successfully address these issues, in this thesis, we introduce three new texture descriptors, namely ObjSEG, GraphRLM, and ObjCooc textures, and implement algorithms that use these descriptors for segmenting histopathological tissue images. We extract these texture descriptors on tissue components that are approximately represented by circular objects. Since these object-oriented texture descriptors are defined on the tissue components, and hence domain specific knowledge, they represent the spatial organization of the components better than their previous counterparts. Thus, our algorithms based on these descriptors give more effective and robust segmentation results. Furthermore, since the descriptors are not directly defined on image pixels, they are effective to alleviate the pixel-level problems.In our experiments, we tested our algorithms that use the proposed object-oriented descriptors on a dataset of 200 colon tissue images. Our experiments demonstrated that our new object-oriented feature descriptors led to high segmentation accuracies, also providing a reasonable number of segmented regions. Compared with its previous counterparts, the experimental results also showed that our proposed algorithms are more effective in segmenting histopathological images. |
