Floresan Mikroskop Sistemlerinde Yüksek Doğruluklu Nükleer Segmentasyonu için Otomatik Kodlayıcı Tabanlı Modellerin Geliştirilmesi
Öz
Mikroskobik sistemlerde doku veya hücre numunelerinde nükleer morfoloji veya biyolojik belirteçler gibi bölümleri görselleştirmek için hematoksilen ve eozin (Hematoxylin and eosin - H&E) histolojik boyamalar, immünohistokimyasal (immunohistovhemical - IHC) ve immünofloresan (immunofluorescence - IF) boyama yaklaşımları geliştirilmiştir. H&E veya IHC boyamalar ile karşılaştırıldığında, IF boyamaların sayısala aktarılması uzmanlar için daha zorlu ve zaman alıcı olmaktadır. Fakat, IF boyama yaklaşımlarında daha fazla hücresel veya hücre altı belirteç görüntülenebilmektedir. Floresan mikroskoplardan elde edilmiş nükleer segmentasyonunun yüksek doğrulukla otomatik gerçekleştirilmesi IF boyama yaklaşımlarındaki hücreler hakkında daha fazla bilgi elde edilmesini sağlamaktadır. Literatürde diğer mikroskobik sistemlerden elde edilmiş görüntülerde hücre veya doku segmentasyonu için birçok çalışma geliştirilmiş ve yüksek doğruluklu sonuçlar elde edilmiştir. Fakat diğer alanlarda gerçekleştirilen bu başarı, floresan mikroskoplardan elde edilmiş görüntülerdeki nükleer segmentasyonu için elde edilmemiştir. Bu kapsamda, çalışmada floresan mikroskop sistemlerinde nükleer segmentasyonu için yüksek doğruluklu otomatik kodlayıcı modelleri geliştirilmektedir. Geliştirilen otomatik kodlayıcı modellerinin analizi uzman kişiler tarafından işaretlenmiş, floresan mikroskop görüntülerinden oluşan veri seti kullanılarak gerçekleştirilmektedir. Çalışmada kullanılan performans değerlendirme prosedürleri açısından, gerçekleştirilen otomatik kodlayıcı modellerinin başarılarının otomatik nükleer segmentasyon için tatmin edici olduğu açıkça görülmektedir.
Anahtar Kelimeler
Floresan mikroskop, Nükleer segmentasyon, Derin öğrenme, Otomatik kodlayıcı, Transfer öğrenme, U-Net
Kaynakça
- Amiri, M., Brooks, R., and Rivaz, H., (2020). Fine-tuning U-Net for ultrasound image segmentation: different layers, different outcomes. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 67(12), 2510-2518.
- Araújo, F. H., Silva, R. R., Ushizima, D. M., Rezende, M. T., Carneiro, C. M., Bianchi, A. G. C., and Medeiros, F. N., (2019). Deep learning for cell image segmentation and ranking. Computerized Medical Imaging and Graphics, 72, 13-21.
- Caicedo, J. C., Roth, J., Goodman, A., Becker, T., Karhohs, K. W., Broisin, M., ... and Carpenter, A. E., (2019). Evaluation of deep learning strategies for nucleus segmentation in fluorescence images. Cytometry Part A, 95(9), 952-965.
- Cheng, D., and Lam, E. Y., (2021). Transfer learning U-Net deep learning for lung ultrasound segmentation. arXiv preprint arXiv:2110.02196.
- Daniel, J., Rose, J. T., Vinnarasi, F., and Rajinikanth, V., (2022). VGG-UNet/VGG-SegNet Supported Automatic Segmentation of Endoplasmic Reticulum Network in Fluorescence Microscopy Images. Scanning, 2022.
- Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., and Fei-Fei, L., (2009). Imagenet: A large-scale hierarchical image database. IEEE Conference on Computer Vision and Pattern Recognition, 248-255.
- Du, X., and Dua, S., (2010). Segmentation of fluorescence microscopy cell images using unsupervised mining. The open medical informatics journal, 4, 41.
- Durkee, M. S., Abraham, R., Clark, M. R., and Giger, M. L., (2021). Artificial intelligence and cellular segmentation in tissue microscopy images. The American Journal of Pathology, 191(10), 1693-1701.
- He, K., Zhang, X., Ren, S., and Sun, J., (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778.
- Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... and Adam, H., (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
kapsamında lisanslanmıştır.