KaydedilenlerDerginizi ekleyin

Dergiler / Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi / 2020 / Cilt: 13 Sayı: 1

Derin Konvolüsyonel Nesne Algılayıcı ile Plevral Efüzyon Sitopatolojisinde Otomatik Çekirdek Algılama

Büşranur KILIÇ
Elif BAYKAL KABLAN
Hülya DOĞAN
Murat EKİNCİ
Mustafa Emre ERCİN
Şafak ERSÖZ
Sayfa
33–42
Yayın Tarihi
2020-04-13
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Dolayısıyla önerilen yöntem dijital patolojide patologlar tarafından tanı aracı olarak kullanılabilecektir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Plevral efüzyon, akciğer zarları arasında sıvı birikimi olup sitopatolojik değerlendirmede çok sık karşılaşılan bir durumdur.
📊
Temel Bulgular & Veri:Çekirdek algılama, plevral efüzyon tanısı için gerçekleştirilen sitopatolojik değerlendirmede kritik bir adımdır.
💡
Sonuç & Katkı:Dolayısıyla önerilen yöntem dijital patolojide patologlar tarafından tanı aracı olarak kullanılabilecektir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bilgisayar-destekli tanı · Konvolüsyonel sinir ağları · Sitopatoloji

Özet

Plevral efüzyon, akciğer zarları arasında sıvı birikimi olup sitopatolojik değerlendirmede çok sık karşılaşılan bir durumdur. Çekirdek algılama, plevral efüzyon tanısı için gerçekleştirilen sitopatolojik değerlendirmede kritik bir adımdır. Çünkü çekirdek hücrelerin malignite seviyesi ile ilgili önemli bilgi içermektedir. Çekirdek algılama ayrıca hücre sayımı, segmentasyonu ve takibi gibi otomatik bilgisayar-destekli tanı (Computer-Aided Diagnosis-CAD) sistem adımlarının da temelini oluşturmaktadır. Son yıllarda derin öğrenme, özellikle Konvolüsyonel Sinir Ağları (Convolutional Neural Networks-CNNs), nesne algılama problemlerinde yüksek başarı elde etmiştir. Bu çalışmada modern konvolüsyonel nesne algılayıcı, YOLOv3, plevral efüzyon sitopatolojik görüntülerde çekirdek algılama amacıyla önerilmiştir. Deneyler 11157 çekirdek içeren 80 görüntü üzerinde gerçekleştirilmiştir. Önerilen yöntem %94.10 kesinlik, %98.98 duyarlılık ve %96.48 F-ölçütü elde etmiştir. Yöntemin literatürdeki yöntemlere katkısı 10 kat hızlanma sağlamasıdır. Bu hızlanma dijital patolojideki gerçek zamanlı CAD uygulamaları için ciddi bir avantaj sağlamaktadır. Dolayısıyla önerilen yöntem dijital patolojide patologlar tarafından tanı aracı olarak kullanılabilecektir.

🔖

Bu Makaleye Atıf Yap

KILIÇ, B., KABLAN, E. B., DOĞAN, H., EKİNCİ, M., ERCİN, M. E., ERSÖZ, Ş. (2020). Derin Konvolüsyonel Nesne Algılayıcı ile Plevral Efüzyon Sitopatolojisinde Otomatik Çekirdek Algılama. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, Cilt: 13 Sayı: 1, 33–42. https://ajindex.com/articles/914375

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (1)

  1. Davidson B, Firat P, Michael CW (2011) Serous effusions: etiology. Prognosis and Therapy. SpringerScience & Business Media, Diagnosis [2] Shidham VB, Atkinson BF (2007) Cytopathologic diagnosis of serous fluids e-book. Elsevier HealthSciences [3] Sheaff MT, Singh N (2012) Cytopathology: an introduction. Springer, Berlin [4] (2019) Pleural Effusion & Heart Surgery: What Should Patients Know? https://www.heart-valve-surgery.com/pleural-effusion.php, Accessed 19-Oct-2019 [5] DeBiasi, E. M., Pisani, M. A., Murphy, T. E., Araujo, K., Kookoolis, A., Argento, A. C., & Puchalski, J. (2015). Mortality among patients with pleural effusion undergoing thoracentesis. European Respiratory Journal, 46(2), 495-502. [6] Marel, M., Zrtov, M., tasny, B., & Light, R. W. (1993). The incidence of pleural effusion in a well-defined region: epidemiologic study in central Bohemia. Chest, 104(5), 1486-1489. [7] Cakir E, Demirag F, Aydin M, Unsal E (2009) Cytopathologic differential diagnosis of malignantmesothelioma, adenocarcinoma and reactive mesothelial cells: a logistic regression analysis. DiagnCytopathol 37(1):4–10 [8] Schneider TE, Bell AA, Meyer-Ebrecht D, B ocking A, Aach T (2007) Computer-aided cytological cancer diagnosis: cell type classification as a step towards fully automatic cancer diagnostics oncytopathological specimens of serous effusions. In: Medical Imaging 2007: Computer-Aided Diagnosis,International Society for Optics and Photonics, vol 6514, p 65140G [9] Ma, X., Wang, H., & Geng, J. (2016). Spectral–spatial classification of hyperspectral image based on deep auto-encoder. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(9), 4073-4085. [10] Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M et al (2015) Imagenet large scale visual recognition challenge. Int J Comput Vis 115(3):211–252 [11] Everingham M, Van Gool L, Williams C, Winn J, Zisserman A (2012) The pascal visual object classes challenge 2012 results. See http://www.pascalnetwork.org/challenges/VOC/voc2012/workshop/index.html, vol 5 [12] Ren S, He K, Girshick R, Sun J (2015) Faster r-cnn: towards real-time object detection with regions proposal networks. In: Advances in neural information processing systems, pp 91–99 [13] Dai KJ, R-fcn YL (2016) Object detection via region-based fully convolutional networks. NIPS [14] Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu CY, Berg AC (2016) Ssd: single shot multibox de