AI Summary & Key Takeaways
AI InsightKarşılaştırma sonuçları ayrıca önerilen algoritma ile uzman arasındaki sapmanın %2 olduğunu, K-Ortalama ve uzman arasındaki sapmanın ise %5 olduğunu göstermektedir.
📌 3 Key Takeaways
Abstract
Bu çalışmada, H&E boyalı histopatolojik doku imgelerindeki hücre çekirdeklerini bölütlemek için yeni, hızlı ve doğru bir bölütleme algoritması önerilmiştir. Önerilen algoritma ön işlem, son işlem, herhangi bir manuel parametre veya eşik değeri gerektirmez. Algoritma, RGB renk uzayında olan imgelerdeki piksellerin renk değerinin olasılıksal ve istatistiksel özelliklerini kullanır ve piksellerin herhangi bir çekirdeğin bir parçası olup olmadığını otomatik olarak hesaplanan eşik değeri kullanarak belirler. Algoritma, zaman verimliliği sağlar ve bölütleme genel maliyetini düşürür. Ayrıca, K-ortalama sonucu elde edilen kümeler içerisinden hücre çekirdeklerini içeren kümenin belirlenmesi ve hücre çekirdekleri kümesi içerisinde bulunan ancak hücre çekirdeği olmayan yanlış pozitiflerin elimine edilmesi için iki algoritma daha önerilmiştir. Önerilen bölütleme algoritmasının zaman ve maliyet verimliliği açısından performansını karşılaştırmak ve değerlendirmek için, yaygın kullanımı nedeniyle K-ortalama bölütleme algoritması tercih edilmiştir. Sonuçların doğruluğunu belirlenmesi için uzman değerlendirmesi baz alınmıştır. Deneyler 60 sağlıklı ve 60 hasarlı böbrek ile 60 sağlıklı ve 60 hasarlı karaciğer görüntüsü üzerinde gerçekleştirilmiştir. Değerlendirmeler, önerilen algoritmanın çekirdekleri etkili bir şekilde bölütleyebildiğini göstermektedir. Karşılaştırma sonuçları ayrıca önerilen algoritma ile uzman arasındaki sapmanın %2 olduğunu, K-Ortalama ve uzman arasındaki sapmanın ise %5 olduğunu göstermektedir.
Özet
In 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%.