Tez No	İndirme	Tez Künye	Durumu
650413		Deep learning for digital pathology / Dijital patoloji için derin öğrenme Yazar:CAN TAYLAN SARI Danışman: DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR Yer Bilgisi: İhsan Doğramacı Bilkent Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2020 127 s.
Histopatolojik değerlendirme, kanser teşhisi ve derecelendirmesi için günümüzde kullanılan araçtır. Öte yandan, bu değerlendirme, cam slayt üzerindeki histopatolojik numunenin uzman bir patolog tarafından mikroskop altında ayrıntılı olarak incelenmesini ve yorumlanmasını gerektirdiğinden, zaman alıcı ve hatalara açık bir işlemdir. Son yıllarda üretilen düşük maliyetli ve yüksek teknolojili tam slayt dijital tarayıcılar, histopatolojik örnekleri dijital ortama aktararak, fiziksel cam slayt örneklerin dezavantajlarını ortadan kaldırmaktadır. Dijital patoloji, dijitalleştirilmiş histopatolojik görüntüleri nicel olarak analiz eden yardımcı bilgisayarlı araçlar sağlayarak geleneksel inceleme yaklaşımlarının sorunlarını azaltmayı amaçlamaktadır. Geleneksel makine öğrenmesi yöntemleri, histopatolojik görüntülerden manuel tanımlanmış öznitelikler çıkarmayı ve bu öznitelikleri bir sınıflandırma veya bölütleme algoritması tasarımında kullanmayı önermektedir. Bu yöntemlerin performansı esas olarak kullandıkları özniteliklere dayanmaktadır ve bu nedenle, bu yöntemlerin başarıları, kullandıkları özniteliklerin histopatoloji alanını başarılı bir şekilde temsil etme yeteneklerine bağlıdır. Son yıllarda önerilen çalışmalar, geleneksel yaklaşımların karmaşık öznitelik çıkarma prosedürlerinden kaçınarak, açıklayıcı ve gürbüz öznitelikleri doğrudan görüntülerden öğrenmek için derin mimariler kullanmaktadır. Derin öğrenme yöntemleri birçok sınıflandırma ve bölütleme probleminde iyi performans gösterse de, sıklıkla kullandıkları evrişimsel sinir ağları eğitim için etiketlenmiş verilere ihtiyaç duymaktadır ve bu da, histopatoloji alanındaki mevcut verilerin çoğunu kapsayan etiketlenmemiş verilerin kullanılmasını zor hale getirmektedir. Bu tez, geleneksel yöntemlerin ve derin öğrenme yaklaşımlarının sorunlarını, denetimsiz öğrenmenin öznitelik çıkarma ve eğitim düzenleme amaçları için sınıflandırma ve bölütleme algoritmalarına dahil edilmesiyle ele alınmaktadır. Tezin birinci katkısı olarak sunulan ilk çalışma, histopatolojik doku görüntülerinin etkili bir şekilde temsil edilmesi ve sınıflandırılması için yeni bir denetimsiz öznitelik çıkarıcı sunmaktadır. Bu çalışmada, alana özgü ön bilgilerle tanımlanan önemli alt bölgelerden öznitelikler çıkarmak amacıyla, denetimsiz bir derin inanç ağı eğitilmiş ve bu eğitim sonucunda elde edilen özniteliklerin dağılımı, görüntü gösterimi ve sınıflandırması için kullanılmıştır. Tezin ikinci katkısı olarak sunulan diğer çalışmada, histopatolojik doku görüntülerinde semantik doku bölütlemesi için, tam bağlantılı bir evrişimsel ağ eğitmek amacıyla yeni bir düzenleme yöntemi önerilmektedir. Bu çalışma, denetimsiz öğrenmeyi, önerilen ağ modelinin eğitimini düzenlemek için, girdi görüntülerinin yeniden yapılandırılması şeklinde kullanmaktadır. Bu amaçla, bölütleme haritası ile girdi görüntüsünün üst üste bindirilmesiyle oluşturulan yeni bir yerleştirme tanımlanmaktadır. Önerilen bu yerleştirme yöntemi sayesinde, semantik bölütlemeyi temsil eden ana denetimli görev ile görüntüyü yeniden yapılandırmanın temsil ettiği yardımcı denetimsiz görevin tek bir görevde birleştirilmesi ve oluşturulan bu birleşik görevin, bir üretken çekişmeli ağ ile öğrenilmesi amaçlanmaktadır. Önerilen sınıflandırma ve bölütleme yöntemleri, geleneksel makine öğrenmesi yöntemleri ve güncel derin öğrenme algoritmalarıyla, farklı histopatolojik görüntü veri kümeleri kullanılarak karşılaştırılmıştır. Deneyler sonucunda elde edilen görsel ve nicel sonuçlar, önerilen yöntemlerin histopatolojik görüntülerden gürbüz öznitelikler öğrenebildiğini ve karşılaştırılan yöntemlerden daha doğru sonuçlar ürettiğini ortaya koymaktadır.
Histopathological examination is today's gold standard for cancer diagnosis and grading. However, this task is time consuming and prone to errors as it requires detailed visual inspection and interpretation of a histopathological sample provided on a glass slide under a microscope by an expert pathologist. Low-cost and high-technology whole slide digital scanners produced in recent years have eliminated the disadvantages of physical glass slide samples by digitizing histopathological samples and relocating them to digital media. Digital pathology aims at alleviating the problems of traditional examination approaches by providing auxiliary computerized tools that quantitatively analyze digitized histopathological images. Traditional machine learning methods have proposed to extract handcrafted features from histopathological images and to use these features in the design of a classification or a segmentation algorithm. The performance of these methods mainly relies on the features that they use, and thus, their success strictly depends on the ability of these features to successfully quantify the histopathology domain. More recent studies have employed deep architectures to learn expressive and robust features directly from images avoiding complex feature extraction procedures of traditional approaches. Although deep learning methods perform well in many classification and segmentation problems, convolutional neural networks that they frequently make use of require annotated data for training and this makes it difficult to utilize unannotated data that cover the majority of the available data in the histopathology domain. This thesis addresses the challenges of traditional and deep learning approaches by incorporating unsupervised learning into classification and segmentation algorithms for feature extraction and training regularization purposes in the histopathology domain. As the first contribution of this thesis, the first study presents a new unsupervised feature extractor for effective representation and classification of histopathological tissue images. This study introduces a deep belief network to quantize the salient subregions, which are identified with domain-specific prior knowledge, by extracting a set of features directly learned on image data in an unsupervised way and uses the distribution of these quantizations for image representation and classification. As its second contribution, the second study proposes a new regularization method to train a fully convolutional network for semantic tissue segmentation in histopathological images. This study relies on the benefit of unsupervised learning, in the form of image reconstruction, for network training. To this end, it puts forward an idea of defining a new embedding, which is generated by superimposing an input image on its segmentation map, that allows uniting the main supervised task of semantic segmentation and an auxiliary unsupervised task of image reconstruction into a single one and proposes to learn this united task by a generative adversarial network. We compare our classification and segmentation methods with traditional machine learning methods and the state-of-the-art deep learning algorithms on various histopathological image datasets. Visual and quantitative results of our experiments demonstrate that the proposed methods are capable of learning robust features from histopathological images and provides more accurate results than their counterparts.