Yazar "Serin, Faruk" seçeneğine göre listele
Listeleniyor 1 - 6 / 6
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Histopatoloji imgelerinin bölütlenmesi ve sınıflandırılması(İnönü Üniversitesi, 2013) Serin, FarukGünümüzde medikal cihazlarda, görüntü işleme tekniklerinde ve bilgisayar işlem kapasitelerindeki muazzam artış birçok alanda teknolojik yenilikler meydana getirmektedir. Bu yenilikler iş yöntemlerinde ve elde edilen sonuçlarda önemli değişikliklere neden olmaktadır. Önemli değişimlerden birisi de histopatoloji alanında görülmektedir. Histopatolojide, dokuların değerlendirilmesi doku kesitlerinin uzman tarafından mikroskop altında incelenmesi ile yapılmaktadır. Ancak bu yaklaşım, uzmanın kişisel tecrübesine bağlı olduğu için sübjektif ve hata eğilimlidir. Sübjektifliği ve hata eğilimini ortadan kaldırmak için Bilgisayar Destekli Tanı (BDT) sistemleri geliştirilmektedir. Bu sistemler, uzmana doku ile ilgili nicel veriler sağlayarak uzmanın dokuyu daha objektif bir şekilde değerlendirmesine yardımcı olmaktadır. Bu çalışmada, histopatolojik doku imgeleri üzerinde çalışan iki ayrı BDT sistemi ve uzmanın kullanabileceği kullanıcı arayüzleri geliştirilmiştir. İlk sistem histopatolojik imgeler içerisindeki bileşenlerin renk ve şekilsel özelliklerine göre nicel veriler elde eden bir BDT sistemidir. Bu sistemde imge içerisindeki yağ vakuolleri oranı ve hücre sayıları nicel olarak elde edilebilmektedir. Geliştirilen BDT sisteminin etkinliği yağlı karaciğer hastalığına ait dokular üzerinde test edilmiştir. Ayrıca bu sistem ile Melatonin ve Resveratrol?ün yağlı karaciğer hastalığı üzerindeki etkileri de incelenmiştir. İkinci sistem ise histopatolojik imgelerin hücre graf modellerine dayanan bir BDT sistemidir. İkinci BDT sistemi sağlıklı ve hasarlı böbrek dokuları üzerinde test edilmiştir. Elde edilen deneysel sonuçlarda, sistemin sağlıklı ve hasarlı dokuları %79 doğruluk oranıyla sınıflandırabildiği görülmüştür.Öğe Histopatolojik doku imgesinin dairesel komşuluk hücre-graf modelinin oluşturulması ve analizi(İnönü Üniversitesi, 2017) Serin, FarukCanlı 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.Öğe K-Nearest Unrepeatable Cell Graph Model of Histopathological Tissue Image(Ieee, 2015) Serin, Faruk; Erturkler, Metin; Gul, MehmetOne of the most important components in the histopathological tissue images is the cell nuclei. Features such as the number, morphological properties and location of the cell nuclei offer useful information for histopathological analysis. Cell-graph models are constructed using location information of cell nuclei and important distinctive information can be obtained from the features of the models. The models are generally formed according to the distance between the cell nuclei. However, the distance between the cell nuclei is affected by various factors during obtaining tissue image and shows variety. In this study, using one-way neighborhood relationship of the nuclei with each other is proposed for the construction of the cell-graph models of histopathological images. The proposed approach has been tested on 20 healthy and 20 necrotic liver tissue images. The results show that graph models constructed by the neighborhood relationship, have more distinctive characteristics than distance-based graph models.Öğe A novel overlapped nuclei splitting algorithm for histopathological images(Elsevier Ireland Ltd, 2017) Serin, Faruk; Erturkler, Metin; Gul, MehmetBackground and objective: Nuclei segmentation is a common process for quantitative analysis of histopathological images. However, this process generally results in overlapping of nuclei due to the nature of images, the sample preparation and staining, and image acquisition processes as well as insufficiency of 2D histopathological images to represent 3D characteristics of tissues. We present a novel algorithm to split overlapped nuclei. Methods: The histopathological images are initially segmented by K-Means segmentation algorithm. Then, nuclei cluster are converted to binary image. The overlapping is detected by applying threshold area value to nuclei in the binary image. The splitting algorithm is applied to the overlapped nuclei. In first stage of splitting, circles are drawn on overlapped nuclei. The radius of the circles is calculated by using circle area formula, and each pixel's coordinates of overlapped nuclei are selected as center coordinates for each circle. The pixels in the circle that contains maximum number of intersected pixels in both the circle and the overlapped nuclei are removed from the overlapped nuclei, and the filled circle labeled as a nucleus. Results: The algorithm has been tested on histopathological images of healthy and damaged kidney tissues and compared with the results provided by an expert and three related studies. The results demonstrated that the proposed splitting algorithm can segment the overlapping nuclei with accuracy of 84%. Conclusions: The study presents a novel algorithm splitting the overlapped nuclei in histopathological images and provides more accurate cell counting in histopathological analysis. Furthermore, the proposed splitting algorithm has the potential to be used in different fields to split any overlapped circular patterns. (C) 2017 Elsevier B.V. All rights reserved.Öğe A Novel Probabilistic Nuclei Segmentation Algorithm for H&E Stained Histopathological Tissue Images(Gazi Univ, 2020) Serin, Faruk; Erturkler, Metin; Gul, MehmetIn this study, we propose a novel, fast and accurate segmentation algorithm to segment nuclei in H&E stained histopathological tissue images. The proposed algorithm does not require pre-processing, post-processing, and any manual parameter or threshold. The algorithm utilizes probabilistic and statistical properties of the pixels' color value in the images with RGB color space, and determines whether pixels are a part of any nuclei or not by using an automatically calculated threshold value. The algorithm provides time efficiency and reduced overall cost in the segmentation. Two more algorithms are also proposed to distinguish nuclei cluster from the other clusters obtained by K-means, and eliminate false positives in nuclei cluster, which are not nuclei. In order to compare and evaluate the performance of the proposed segmentation algorithm in terms of time and cost efficiency, K -Means is preferred because of its common usage. Expert evaluation is declared as ground truth for determining the accuracy of the results. The experiments are performed on 60 healthy and 60 damaged kidney, and 60 healthy and 60 damaged liver tissue images. The evaluations show that the proposed algorithm can effectively segment nuclei. The comparison results also demonstrate that the deviation between proposed algorithm and the expert is 2%, while the deviation between K -Means and expert is 5%.Öğe A novel proximity graph: Circular neighborhood cell graph for histopathological tissue image analyzing(Wiley, 2020) Serin, Faruk; Erturkler, MetinThe cell is the smallest unit of living beings, which has structural and functional properties. Almost all cell behaviors are regulated by various intracellular reactions initiated by the signaling. The signaling and the distance between cells influence each other. Thus, cell-location-based modeling and analyzing of histopathological tissues provide important information to the expert. In literature, methods such as distance-based threshold, K-Nearest Neighbor, Voronoi graphs, Delaunay triangulation, and colored graph have been used. However, circular neighborhood relationships of cells have not been considered by any CAD system so far despite of its crucial impact. Thus, we developed the circular neighborhood cell-graph. Histopathological images of liver were classified by using features extracted from T-Distance, K-Nearest Neighbor, Voronoi, Delaunay, and the proposed cell-graph. Then, the classification performances of the methods were compared. Experimental results show that liver tissue images can be classified with accuracy of 95.7% by using the features provided by the proposed cell-graph model.
