Tez No	İndirme	Tez Künye	Durumu
649093		Seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı tanı yaklaşımlarının geliştirilmesi ve uygulanması / Development and implementation of machine learning based diagnosis approaches in serous effusion cytopathology Yazar:ELİF BAYKAL KABLAN Danışman: PROF. DR. MURAT EKİNCİ Yer Bilgisi: Karadeniz Teknik Üniversitesi / 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 Türkçe 2020 200 s.
Seröz efüzyonlar sitopatolojik değerlendirmelerde sıklıkla karşılaşılan bir numune türüdür. Sitopatolojik değerlendirmenin zaman alıcı, yorucu ve patolog-içi ve patologlar-arası değişken olmasından dolayı tez çalışması kapsamında, seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı otomatik tanı yaklaşımları önerilmektedir. İlk olarak, artık öğrenme tabanlı yeni bir konvolüsyonel sinir ağı modeli sitopatolojik görüntülerde boya normalizasyonu amacıyla önerilmiştir. Önerilen modelin çekirdek segmentasyonu yöntemlerinin başarılarını önemli oranda artırdığı görülmüştür. İkinci olarak, tam konvolüsyonel sinir ağlarının topluluğuna dayalı yeni bir ağ mimarisi çekirdek segmentasyonu amacıyla önerilmiştir. Önerilen ağ topluluğu mimarisi ile elde edilen segmentasyon başarısının modellerin tek başına elde ettiği başarıyı geçtiği görülmüştür. Üçüncü olarak, modern konvolüsyonel nesne algılayıcılar çekirdek algılama amacıyla önerilmiştir. YOLOv3 mimarisinde iyileştirmeler sonucunda önerilen nesne algılayıcıların diğer nesne algılayıcılara nazaran daha hızlı algılama sağlamakla birlikte algılama başarısının da güçlü olduğu görülmüştür. Son olarak, seröz hücre sınıflandırma için literatürdeki popüler konvolüsyonel sinir ağı modellerinin analizleri yapılmış ve optimum bir konvolüsyonel sinir ağı modeli önerilmiştir. Önerilen model en az sayıda öğrenilebilir parametreye sahiptir böylece test süresini büyük oranda azaltmıştır. Tez çalışmasında ayrıca ön işlem, algılama, segmentasyon ve sınıflandırma adımlarının her biri için plevral efüzyon sitopatoloji görüntülerinden oluşan özgün bir veri seti önerilmiştir.
Serous effusions are a frequently encountered specimen type in cytopathological evaluation. Cytopathological evaluation is time-consuming, exhausting, and causes intra-pathologist and inter-pathologists variability. In the thesis work, machine learning-based automated diagnosis approaches in serous effusion cytopathology are proposed. First, a new residual learning-based convolutional neural network model was proposed for stain normalization in cytopathological images. It was observed that the proposed model significantly increases the success of the nuclei segmentation methods. Second, a new network architecture based on the ensemble of fully convolutional neural networks was proposed for nuclei segmentation. It was seen that the success of segmentation achieved with the proposed ensemble network architecture exceeded the success achieved by the models alone. Third, modern convolutional object detectors were proposed for nuclei detection. As a result of improvements in the YOLOv3 architecture, it was observed that the proposed object detectors provide faster detection compared to other object detectors with a robust detection success. Finally, popular convolutional neural network models in the literature were analyzed for serous cell classification, and an optimum convolutional neural network model was proposed. The proposed model has the least learnable parameters, thus significantly reduces the test time. In this thesis work, a novel data set consisting of pleural effusion cytopathology images was also proposed for each of the preprocessing, detection, segmentation, and classification steps.