MİKROSKOBİK GÖRÜNTÜLERDE MULTİPL MİYELOM PLAZMA HÜCRELERİNİN TESPİTİ
-
Published:2022-06-03
Issue:2
Volume:25
Page:145-154
-
ISSN:1309-1751
-
Container-title:Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi
-
language:tr
-
Short-container-title:KSU J. Eng. Sci.
Author:
GÜNAY Mücahid1, TAZE Mehmet1
Affiliation:
1. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ
Abstract
Multipl Miyelom, dünyada kansere bağlı ölümlerin yaklaşık %2’sine sebep olan bir hastalıktır. Bu hastalık nedeniyle normalde vücudun bağışıklık sistemi için antikor üreten plazma hücrelerinin sayısı kontrolsüz bir şekilde artmaktadır. Dolayısıyla plazma hücrelerin tespiti hastalığın teşhisi için önemli bir faktördür. Uzmanlar tarafından hastalığın teşhisi için kemik iliğinden örnekler alınarak kimyasal boyama teknikleriyle boyanmaktadır. Boyanan örneklerdeki plazma hücreleri mikroskopla incelenmektedir. Bu inceleme insan hatalarına açık olduğu gibi aynı zamanda çok zaman almaktadır. Bu çalışmada plazma hücrelerinin tespiti için otomatik bir sistem geliştirilmiştir. Plazma hücrelerinin tespiti için hücre çekirdeği ve sitoplazması farklı yöntemlerle ayrı ayrı segmente edilmiştir. Hücre çekirdeğine ait bölgeler Çok Seviyeli Eşikleme yöntemiyle, sitoplazması ise U-net evrişimsel sinir ağı kullanılarak segmente edilmiştir. Segmente edilen bölgeler uygulanan morfolojik işlemlerle iyileştirilmiştir. Segmente edilen çekirdek ve sitoplazma bölgelerinin birlikte değerlendirildiği görüntülerdeki her bir hücre için Çekirdek Hücre Oranı kriterine göre plazma hücreleri tespit edilmiştir. Veri setine ait 85 görüntü üzerinde önerilen yöntem uygulandığında, toplam 320 plazma hücresinden 279’u başarılı bir şekilde tespit edilmiştir. Çalışma sonucunda %87,19 duyarlılık, %74,6 kesinlik ve %80,4 F1-skor değerleri elde edilmiştir.
Publisher
Kahramanmaras Sutcu Imam University Journal of Engineering Sciences
Reference23 articles.
1. Afshin, B., Reza, A., Eman, S., & Alaa, S. (2021, September). Multi-scale Regional Attention Deeplab3+: Multiple Myeloma Plasma Cells Segmentation in Microscopic Images. In MICCAI Workshop on Computational Pathology (pp. 47-56). PMLR. 2. Akay, B. (2013). A study on particle swarm optimization and artificial bee colony algorithms for multilevel thresholding. Applied Soft Computing, 13(6), 3066-3091. 3. Belevich, I., Joensuu, M., Kumar, D., Vihinen, H., & Jokitalo, E. (2016). Microscopy image browser: a platform for segmentation and analysis of multidimensional datasets. PLoS biology, 14(1), e1002340. 4. Belevich, I., & Jokitalo, E. (2021). DeepMIB: user-friendly and open-source software for training of deep learning network for biological image segmentation. PLoS computational biology, 17(3), e1008374. 5. Clark, K., Vendt, B., Smith, K., Freymann, J., Kirby, J., Koppel, P., Moore, S., Phillips, S., Maffitt, D., Pringle, M., Tarbox, L., & Prior, F. (2013). The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository. Journal of Digital Imaging, 26(6), 1045–1057.
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献
|
|