Tez No	İndirme	Tez Künye	Durumu
807418		Integrating hyperspectral imaging and microscopy for hepatocellular carcinoma detection from h&e stained histopathology images / H&e boyali histopatoloji görüntülerinden hepatosellüler karsinom tespiti için hiperspektral görüntüleme ve mikroskop entegrasyonu Yazar:UMUT ÇİNAR Danışman: PROF. DR. YASEMİN ÇETİN Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Bilişim Sistemleri Ana Bilim Dalı / Bilişim Sistemleri Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2023 126 s.
Bu çalışmada, ışık mikroskobu ile entegre bir hiper-spektral görüntüleme sistemi (HSI) kullanarak Hepatosellüler Karsinom (HCC) sınıflandırması için yeni bir yöntem sunuyoruz. HCC tanısı alan sağlıklı ve kanserli doku örneklerinden oluşan karaciğer mikro-dizi slaytlarından 270 bant hiper-spektral görüntü elde etmek için özel bir görüntüleme sistemi geliştirdik. Doğru bir sınıflandırma modeli oluşturmak için, 3 boyutlu evrişimlerle (3B-CNN) Evrişimsel Sinir Ağları (CNN) kullandık. Bu evrişimler, hiper-spektral küpte hem spektral hem de mekânsal özellikleri içerir ve sağlam bir sınıflandırıcı eğitmek için kullanılır. 3B evrişimler kullanarak, CNN eğitimi sırasında hiper-spektral verilere manuel özellik mühendisliği yapmaya gerek kalmadan otomatik olarak ayırt edici özellikler toplayabiliriz. Önerilen yöntemimiz kompakt olup tıbbi HSI uygulamalarında etkili bir şekilde uygulanabilir. Ayrıca, veri kümesindeki sınıf dengesizliği sorununu, CNN maliyet fonksiyonu olarak odak kayıp fonksiyonunu kullanarak ele aldık. Bu fonksiyon, zor örneklerin öğrenilmesini vurgular ve sınıflar arası dengesizliğin eksikliği nedeniyle meydana gelen aşırı uyumu önler. Deneysel sonuçlarımız, karaciğer kanseri doku sınıflandırmasında hiper-spektral verilerin RGB verilerinden daha iyi performans gösterdiğini ve artan spektral boyutun daha yüksek sınıflandırma doğruluğuna yol açtığını göstermektedir. Ayrıca, kanser doku sınıflandırması için doğru bir sınıflandırıcı eğitmekte spektral ve mekânsal özelliklerin her ikisinin de kritik olduğunu bulduk.
In this study, we introduce a new method for classifying Hepatocellular Carcinoma (HCC) using a hyperspectral imaging system (HSI) integrated with a light microscope. We developed a custom imaging system that captures 270 bands of hyperspectral images from healthy and cancerous tissue samples with HCC diagnosis taken from a liver microarray slide. To build an accurate classification model, we utilized Convolutional Neural Networks (CNNs) with 3D convolutions (3D-CNN). These convolutions incorporate both spectral and spatial features within the hyperspectral cube to train a robust classifier. By leveraging 3D convolutions, we can collect distinctive features automatically during CNN training without requiring manual feature engineering on hyperspectral data. Our proposed method is compact and can be applied effectively in medical HSI applications. Additionally, we addressed the class imbalance problem in the dataset by utilizing the focal loss function as the CNN cost function. This function emphasizes hard examples to learn and prevents overfitting caused by the lack of inter-class balancing. Our empirical results indicate that hyperspectral data outperforms RGB data in liver cancer tissue classification, and increased spectral resolution leads to higher classification accuracy. Furthermore, we found that spectral and spatial features are both critical for training an accurate classifier for cancer tissue classification.