Yıldız, SerdarMemiş, AbbasVarlı, Songül2023-08-312023-08-312023Yıldız, S., Memiş, A., & Varlı, S. (2023). Histoloji görüntülerinde hücre çekirdeklerinin daha iyi bölütlenmesi için boyut-bazlı uyarlanabilir örnek budama. 31st Signal Processing and Communications Applications Conference (SIU). İstanbul, Türkiye. https://doi.org/10.1109/SIU59756.2023.102238802165-0608https://doi.org/10.1109/SIU59756.2023.10223880https://hdl.handle.net/20.500.13055/535Bu bildiride, histoloji görüntülerinde yer alan hücre çekirdek örneklerinin daha başarılı bir biçimde bölütlenebilmesi amacıyla kullanılabilecek ve hücre tiplerine göre uyarlanabilir bir boyut-bazlı örnek budama yaklaşımı sunulmuştur. Gerçekleştirilen çalışmada, kolon histoloji görüntülerinde yer alan farklı hücre çekirdek tipleri öncelikle U-Net medikal görüntü bölütleme yöntemi ile anlamsal olarak bölütlenmiş ve her bir çekirdek tipi için bölüt haritaları oluşturulmuştur. Devamında, bölüt haritaları üzerinde Havza algoritması koşulmuş ve hücre çekirdek örnekleri elde edilmiştir. Son aşamada ise, uyarlanabilir boyut-bazlı örnek budama yaklaşımı ile, her bir çekirdek tipi için kabul edilebilir çekirdek boyutlarının altında kalan ve çekirdek örneği olarak tasnif edilmeyen örnek bölütler elenmiştir. CoNIC 2022 veri seti üzerinde gerçekleştirilen testlerde, uyarlanabilir boyut-bazlı örnek budama yaklaşımının, bu yaklaşımın kullanılmadığı normal bölütleme metodolojisine göre daha üstün başarı sağladığı gözlemlenmiş ve ortalama 0.5090 mPQ değeri ölçülmüştür.In this paper, a size-based instance pruning approach, which can be used for more accurate segmentation of cell nuclei in histology images and can be adapted to cell types, is presented. In the proposed study, different cell nuclei types in colon histology images were initially segmented semantically using the U-Net medical image segmentation method and the output segmentation maps were produced for each nuclei type. Then, the Watershed algorithm was employed on the segmentation maps and cell nuclei instances were obtained. Finally, instance segments that were below the acceptable nuclei sizes for each nuclei type and were not classified as nuclei instances were eliminated with the adaptive size-based instance pruning approach. In the tests performed on the CoNIC 2022 dataset, it was observed that the adaptive size-based instance pruning approach outperformed the normal segmentation methodology without this approach, and an average value of 0.5090 mPQ was measured.trinfo:eu-repo/semantics/closedAccessHücre Çekirdeği BölütlemeUyarlanabilir Örnek BudamaU-NetHavza AlgoritmasıCoNIC Veri SetiCell Nuclei SegmentatioAdaptive Instance PruningU-NetWatershed AlgorithmCoNIC DatasetConference Object10.1109/SIU59756.2023.10223880WOS:0010625710001202-s2.0-85173439621