Akademik Veri Yönetim Sistemi
32nd Signal Processing and Communications Applications Conference (SIU 2024), Mersin, Türkiye, 15 - 18 Mayıs 2024, ss.1-4
Bu bildiride, çoklu-organ histoloji görüntülerinde yer alan hücre çekirdekleri için anlamsal ve örnek tabanlı bir bölütleme çalışması sunulmuştur. Gerçekleştirilen çalışmada, UNet, TransUNet, Swin-Unet, Mask R-CNN ve YOLOv7 gibi farklı derin öğrenme tabanlı yöntemler kullanılarak Multi-organ Nucleus Segmentation (MoNuSeg) Challenge 2018 veri kümesindeki hücre çekirdeklerinin bölütlenmesi hedeflenmiştir. Anlamsal ve örnek tabanlı olmak üzere iki ayrı bölütleme görevi için ilgili yöntemlerin çekirdek bölütlemesi başarımları analiz edilmiş ve raporlanmıştır. Yürütülen deneysel çalışmalar UNet modelinin 0.8814 DSC (Dice Similarity Coefficient) ve 0.7946 IoU (Intersection over Union) değerleri ile anlamsal bölütleme görevinde, ve 0.5700 PQ (Panoptic Quality) skoru ile de örnek bölütleme görevinde en başarılı model olduğunu göstermektedir. Önerilen çalışma hücre çekirdeği bölütlemesi için kullanılabilecek derin öğrenme tabanlı modellerin başarımlarını karşılaştırarak anlamsal ve örnek bölütleme arasındaki ilişkiyi ortaya koymakta, ve başarıyı etkileyen faktörleri tartışmaktadır. Elde edilen bulgular hücre çekirdeği bölütleme görevleri için yapılacak olan model araştırmaları için yol gösterici niteliktedir.
In this paper, a semantic and instance-based segmentation study for cell nuclei in multi-organ histology images is presented. In the proposed study, it was aimed to segment the cell nuclei in the Multi-organ Nucleus Segmentation (MoNuSeg) Challenge 2018 dataset by using different deep learning-based methods such as UNet, TransUNet, Swin-Unet, Mask R-CNN and YOLOv7. Nuclei segmentation performances of the related methods were analyzed and reported for two separate segmentation tasks: semantic segmentation and instance-based segmentation. Experimental studies show that the UNet model is the most successful model in the semantic segmentation task with 0.8814 DSC (Dice Similarity Coefficient) and 0.7946 IoU (Intersection over Union) values, and in the instance segmentation task with 0.5700 PQ (Panoptic Quality) score. The proposed study compares the performance of deep learning-based models that can be used for cell nucleus segmentation, reveals the relationship between the semantic and instance-based segmentation, and discusses the factors affecting performance. The findings are guiding for future model research for cell nuclei segmentation tasks.