Tez No	İndirme	Tez Künye	Durumu
520907		Automated cell analysis in microscopy images / Mikroskopi görüntülerinde otomatik hücre analizi Yazar:CAN FAHRETTİN KOYUNCU Danışman: DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR Yer Bilgisi: İhsan Doğramacı Bilkent Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Patoloji = Pathology Dizin:	Onaylandı Doktora İngilizce 2018 128 s.
İnsan müdahelesi gerektirmeyen ve çok fazla miktarda mikroskop görüntüleri elde edebilen yüksek çıktılı mikroskopi sistemleri son zamanlarda popülerlik kazanmaktadır. Öte yandan, bu kadar fazla miktarda görüntünün geleneksel yöntemlerle analiz edilmesi aylarca sürebileceği için, bu geleneksel yöntemlerin uygulanması pratikte neredeyse imkansızdır. Ayrıca, analiz tamamen, analiz eden ki ̧sinin yorumuna bağlı olduğu için, sonuçlar önemli miktarda değişkenlik gösterebilir. Buna çözüm olarak objektif ve hızlı olan otomatik karar destek sistemlerinin geliştirilmesine olan ilgi günden güne artmaktadır. Bu sistemler, analizlerini hücre seviyesinde gerçekleştirdiği için hücre bölütlemesi modellerine gereksinim duymaktadır. Hücre bölütlemesinin başarısı da bütün sistemin başarısını etkilemektedir. Başarılı bir hücre bölütlemesi modeli elde edebilmek için üstesinden gelinmesi gereken zorluklar bulunmaktadır. Bu zorluklardan bir tanesi hücrelerin tabakta çok katmanlı çoğalması sonucu görüntü üzerinde hücrelerin kümelenmiş görülmesidir. Bu hücreler birbirinden ayrılması gerektiği için bunların bölütlenmesi ek bir efor gerektirmektedir. Diğer bir zorluk, hücre içinde bulunan piksellerin yoğunluk değerlerinin görüntü üzerinde homojen dağılmaması ve birbirine dokunan hücrelerde, hücre sınırlarındaki piksel yoğunluk değerlerinin yeterli farklılıkta olmaması gibi kusurlardır. Bir diğer zorluk ise hücrelerin morfolojik karakterlerinin farklılık göstermesidir. Hücre hattı tipine bağlı olarak hücreler farklı görünümlere sahip olabilir. Farklı hücre görünümlerinde çalışabilecek ve hücre içindeki kusurları çözebilecek kapsamlı bir hücre bölütlemesi modeli geliştirmek çözüme açık ve zor bir problemdir. Bu zorlukların üstesinden gelebilmek için hücre bölütlemesini iki kısımda ele almaktayız. (1) Mikroskopi görüntüleri için, hücre bölütleştirme problemini basitleştirmede bize yardımcı olabilecek yeni gösterimler bulmaya odaklanmaktayız. Bu sayede, hücre içindeki kusurların ve hücre görünümündeki farklılıkların üstesinden gelebileceğimizi ve hücre konumlarını daha iyi vurgulayabileceğimizi düşünmekteyiz. (2) Hücreler için kusursuz bir gösterim bulmanın pratikte neredeyse imkansız olması motivasyonuyla, daha gelişmiş bir gösterim metodu geliştirme üzerine odaklanmaktayız. Dolayısıyla, gösterim kusurlarının üstesinden gelebilecek, daha gelişmiş hücre bölütleme tekniklerinin geliştirilmesi üzerinde çalışmaktayız. Bu bağlamda, bu tez, üç yeni hücre bölütlemesi modeli sunmaktadır. Bunlardan ikisi, aynı zamanda, yeni gösterim modeli de ortaya koymaktadır. Deneylerimizde, sunduğumuz algoritmaları, floresan ve faz kontrast mikroskoplarında elde edilmiş görüntülerde test ettik ve önceki hücre bölütlemesi metotlarıyla karşılaştırdık. Deneylerimiz, önerdiğimiz algoritmaların hücre bölütlemesinde daha etkin ve bahsi geçen zorluklara karşı daha gürbüz olduğunu göstermektedir.
High-throughput microscopy systems have become popular recently, which facilitate to acquire boundless microscopy images without requiring human intervention. However, the analysis of such amount of images using conventional methods is nearly impractical since the analysis can take up to months. Additionally, a considerable amount of observer variability may occur since the analysis completely relies on interpretation of the analysts. As a remedy for that, automated decision support systems, which are objective and rapid, have gained more attention. Since these systems conduct analyses at cellular level, they require a cell segmentation model, results of which directly affect the performance of the entire system. There are several challenges in cell segmentation, each of which should be addressed carefully in order to have an accurate cell segmentation model. One challenge is that cells can be grown in multilayer on the plate, which makes them appear as clusters on the image. Segmentation of these cells requires extra effort since they should be splitted from each other. Another challenge is the imperfections on the image such as inhomogeneities of pixel intensities in a cell and insufficient pixel intensity differences at the border of overlapping cells. Yet-another challenge is the heterogeneity in the morphological characteristics of cells. Depending on cell line types, cells may appear in various outlooks. Developing a generic cell segmentation model, which can handle different cells’ outlooks and imperfections, is an open and challenging problem. In order to tackle with these challenges, we deal with the cell segmentation problem in two parts: (1) We focus on finding a new representation for microscopy images, helping us simplify the cell segmentation problem, so that imperfections in cells and inhomogeneities in their visual properties can be alleviated, and cell locations can be emphasized better. (2) We focus on developing a more advanced cell segmentation method, with the motivation that it is almost impossible to obtain a perfect representation in practice. Thus, we work on developing more sophisticated cell segmentation techniques that overcome deficiencies on the representation. To this end, this thesis introduces three new cell segmentation models, two of which introduce a new cell representation technique as well. In our experiments, we tested our algorithms on various microscopy images obtained under the fluorescence and phase contrast microscopes and compared them with the previous cell segmentation methods. Our experiments show that the proposed algorithms are more effective in segmenting cells and more robust to the aforementioned challenges.