Canlı varlıkların yapısal ve işlevsel özellikleri olan en küçük birimi hücredir. Hücre yapısı ve davranışlarının araştırılması ve anlaşılması tüm biyolojik bilimlerin temelini oluşturmaktadır. Hücre davranışlarının neredeyse tümü hücre içi reaksiyonlar ile düzenlenir. Bu reaksiyonlar hücreler arasındaki iletişim sonucu başlatılır. Hücreler arasındaki mesafe ve hücrelerin konumları hücreler arasındaki iletişimi etkiler. Aynı şekilde, hücreler arasındaki iletişim de hücrelerin birbirine olan mesafe ve konumlarını etkilemektedir. Bu yüzden, histopatolojik doku imgelerinin hücre konumu tabanlı modellenmesi ve analizi tanı ve tedavi sürecinde uzmana oldukça önemli bilgiler sunabilmektedir. Literatürde t-eşik mesafeli, k-en yakın komşu, Voronoi, Delaunay ve renkli graf gibi çeşitli hücre-graf modelleri bulunmaktadır. Ancak, bildiğimiz kadarıyla, hücre iletişimi açısından oldukça önemli olmasına rağmen, hücreler arasındaki komşuluk ilişkisini dairesel olarak inceleyen bir model henüz bulunmamaktadır. Bu yüzden, bu çalışmada, yeni bir yakınlık grafı olan "Dairesel Komşuluk Hücre-Graf" modeli geliştirilmiş ve bu modelden çıkarılabilecek özellikler sunulmuştur. Hücre-graf modellinin oluşturulması için ilk önce hücre çekirdekleri bölütlenir ve örtüşen çekirdekler ayırılır. Daha sonra, hücre çekirdekleri düğüm olarak kabul edilir ve belli kriterlere göre hücreler arasında bağlantılar kurularak hücre-graf modeli oluşturulur. Bu çalışmada, çekirdekleri bölütlemek için ön işlem, son işlem veya manuel parametre değeri gerektirmeyen "Olasılıksal Çekirdek Bölütleme Algoritması" önerilmiştir. Örtüşen çekirdekleri ayırmak için de, bağlı bileşenlerin dairesellik merkezini belirleyerek örtüşen çekirdekleri birbirinden ayıran, yeni bir algoritma geliştirilmiştir. Önerilen algoritmalar sağlıklı ve hasarlı böbrek ile karaciğer doku imgeleri üzerinde test edilmiş ve elde edilen sonuçlar literatürdeki ilgili çalışmalar ile karşılaştırılmıştır. Karşılaştırma ve değerlendirme sonuçları, önerilen bölütleme algoritmasının yaygın olarak kullanılan K-Ortalama'dan daha hızlı ve etkili olduğunu; örtüşme ayırma algoritmasının örtüşen hücreleri %83 oranında başarıyla ayırabildiğini; "Dairesel Komşuluk Hücre-Graf" modeli kullanılarak histopatolojik doku imgelerinin %95.7 başarı oranıyla sınıflandırılabildiğini göstermektedir.
The smallest unit of living beings, which has structural and functional properties, is the cell. The investigating and understanding of cell and its behaviors is the basis of all biological sciences. Almost all cell behaviors are regulated by intracellular reactions. These reactions are initiated as a result of communication between cells. The distance between the cells and the locations of the cells influence this communication. In the same way, communication between cells affects the distance between cells and the locations of the cells. Thus, cell location based modeling and analyzing of histopathological tissue images can provide crucial information to the expert during the diagnosis and treatment process. In the literature, there are various cell-graph models such as t-threshold distance, k-nearest neighbors, Voronoi, Delaunay and colored graphs. However, to the best of our knowledge, there is not yet a model investigating the circular neighborhood relation between cells, although it is very important in terms of cell communication. Thus, in this study, a new proximity graph "Circular Neighborhood Cell-Graf" model has been developed, and the features that can be extracted from this model are presented. The cell nuclei are first segmented, and the overlapped nuclei are split to construct the cell-graph models. Then, cell nuclei are considered as vertex and cell-graph models are constructed by establishing connections between cells according to certain criteria. In this study, the "Probabilistic Nuclei Segmentation Algorithm", which does not require pre-processing, post-processing or manual parameter value, has been proposed to segment the nuclei. A novel algorithm, which split the overlapped nuclei from each other by determining the circularity center of the connected components, has also been developed to split overlapped nuclei. The proposed algorithms were tested on healthy and damaged kidney and liver tissue images, and the results were compared with related studies in the literature. The comparison and evaluation results show that the proposed segmentation algorithm is faster and more efficient than the commonly used K-Means; the overlapped nuclei splitting algorithm can successfully split overlapped nuclei with accuracy of 83%; histopatholojical tissue images can be classified with the accuracy of 95.7% by using "Circular Neighborhood Cell-Graph" model.
