Search

Myelin is an essential component of the nervous system and myelin damage causes demyelination diseases. Myelin is a sheet of oligodendrocyte membrane wrapped around the neuronal axon. In the fluorescent images, experts manually identify myelin by colocalization of oligodendrocyte and axonal membranes that fit certain shape and size criteria. Because myelin wriggles along x-y-z axes, machine learning is ideal for its segmentation. However, machinelearning methods, especially convolutional neural networks (CNNs), require a high number of annotated images, which necessitates expert labor. To facilitate myelin annotation, we developed a workflow and a software for myelin ground truth extraction from multi-spectral fluorescent images. Additionally, we shared a set of myelin ground truths annotated using this workflow.

2019 Medical Technologies Congress, TIPTEKNO 2019; Palm Wings Ephesus HotelIzmir; Turkey; 3 October 2019 through 5 October 2019, Phase contrast optical microscopy is a preferred imaging technique for live-cell, temporal analysis. Segmentation of cells from time series data acquired with this technique is a labor-intensive and time-consuming task that cell biology researchers need solution for. In this study traditional image processing and deep learning based approaches for automated cell segmentation from phase contrast optical microscopy time series are presented, and their performances are evaluated against manually annotated datasets. © 2019 IEEE., Faz kontrast optik mikroskopi hücrelerin canlı ortamlarında zamana bağlı incelenmesi için tercih edilen görüntüleme yöntemidir. Bu yöntem ile elde edilen zaman serisi görüntülerinde hücrelerin bölütlenmesi işi hücre biyolojisi araştırmacılarının çözümüne ihtiyaç duyduğu emek yoğun ve zaman alan bir iştir. Bu çalışmada faz kontrast optik mikroskopi zaman serilerinde hücrelerin otomatik bölütlenmesi için geleneksel görüntü işleme ve derin öğrenme temelli yöntemler önerilmiş ve başarımları elle işaretlenmiş veri kümelerinde nicel olarak ölçülmüştür.

Aksonların etrafına sarılmış¸ miyelin kılıf, hızlı bir şekilde sinyal iletimini sağlar ve deformasyonu, Multipl Skleroz (MS) gibi çeşitli nörodejeneratif hastalıklara neden olur. Aday ilaç geliştirilmesi için, miyelinizasyonun miktarının belirlenebiliyor olması gerekmektedir. Miyelin nicelleştirilmesi, genellikle konfokal mikroskoplar tarafından elde edilen mikroskopik floresan görüntülerinde bir uzman tarafından miyelin etiketleme temeline dayanan ve yoğun emek gerektiren bir iştir. Bu çalışmada, floresan mikroskopi görüntülerinde anlamsal bölütlemeye dayalı bir otomatik miyelin belirleme yöntemi geliştirilmiştir. Üç kanallı ve üç boyutlu olarak mikroskoptan alınan, fare kök hücresinden türetilmiş¸ nöron ve oligodendrosit ortak kültürlerinin görüntüleri bir uzman tarafından etiketlenmiştir. Alınan görüntüler e˘gitim için yamalara ayrılmıs¸ ve etiketlerden de her yamanın karşılığı elde edilmiştir. Miyelin içeren ve içermeyen bögeleri tanımlamak üzere eğitim işlemi için 11552 yamadan olus¸an bir veri kümesi kullanılmıştır. Veri kümesinde çeşitli öğrenme algoritmaları kullanılarak anlamsal bölütleme tekniğinin miyelin tespit performansları değerlendirilmiştir. En yüksek doğruluk değeri olan yüzde 97.32, grup boyutu 8 ve devir sayısı 250 iken “RMSprop” öğrenme algoritması ile elde edilmiştir. Sonuçlarımız, önerilen otomatik segmentasyon yaklaşımının miyelin tespiti için uygun olduğunu göstermektedir. Burada açıklanan miyelin segmentasyon yaklaşımı, remiyelinizasyon ilaç taramalarının bir parçası haline gelecek potansiyele sahiptir. Myelin sheath, wrapped around axons, allows rapid neural signal transmission, and degeneration of myelin causes various neurodegenerative diseases, such as, Multiple Sclerosis (MS). For candidate drug discovery, it is essential to quantify myelin. This requires tedious expert labor comprising myelin labelling on microscopic fluorescence images, usually acquired by confocal microscopes. In this study, semantic segmentation based automatic myelin segmentation on fluorescence microscopy images was introduced. Three-channel and three-dimensional fluorescence images of mouse stem cell derived neuron and oligodendrocyte co-cultures were labeled by an expert. The images were divided into patches for training and the labels corresponded to each patch were acquired. A data set of 11552 patches was used for training to identify myelin and non-myelin regions. In the data set, myelin detection performances of semantic segmentation technique were evaluated using 3 different learning algorithms. The highest accuracy value of 97.32 percent was achieved by using 'RMSprop' learning algorithm with a group size of 8 and after 250 epochs. Results suggested that the proposed myelin segmentation method was suitable for detecting myelin. Thus, the outlined myelin segmentation method has the potential to be incorporated into remyelination drug screens.

The pages that appear in front of users on digitalplatforms used for online advertising to attract attention to target productare called landing pages. Landing pages aim to increase advertisementconversion rate using the metrics like clicks, views or subscribes. In thisstudy, a method is presented to automatically classifier the most commonly usedcomponents on landing pages which are buttons, texts, and checkboxes. Landingpage images given as inputs are segmented by morphological and threshold-basedimage processing methods, and each segment is classified using a TransferLearning based method which combines pre-trained Inception v-3 networks andSupport Vector Classifier (SVM). Furthermore, different classifiers wereapplied to compare the results. The proposed method is anticipated to be anessential step in the process of designing landing pages automatically withhigh advertisement conversion rates. Thanks to the proposed transfer learningbased method, this is achieved by using fewer number of training data.

Ülkemizde ve dünyada en sık görülen kanser tiplerinden olan rahim ağzı (serviks) kanseri, kanser öncüsü lezyonlarından gelişmektedir. Kanser öncüsü bu lezyonların saptanması, hastanın kanser olmadan tedavi olmasına olanak sağladığiçin önemlidir ve analizleri yapan patologlar tarafından tanısı konmaktadır. Bu çalışmada evrişimsel sinir ağları (ESA) yöntemi kullanılarak kanser öncüsü lezyonların otomatik tespitini gerçekletiren bir sistem tasarlanmıştır. Eğitim aşamasında sistemin görüntülerden lezyonları tanıma başarımı %92 olarak elde edilmektedir. Eğitim aşamasından sonra bütün görüntüler 60×60 boyutlarında bir pencere ile evriştirilerek bölütlenmektedir. İlgili lezyonların Dice katsayısına göre %81.71 başarı ile bölütlendiği bir model oluşturulmuştur. Cervical carcinoma is one of the frequently seen cancers in the world and in our country, develops from precursor lesions. These precursor lesions are analyzed by pathologists so that the diagnosis of the disease can be made. In this study, a system that performs automatic detection of pre-cancerous lesions was performed using the convolutional neural networks (CNNs). In the training phase, lesion recognition performance of the proposed system has reached 92%. Thereafter, whole image was segmented by using 60 × 60 pixel tiles during the training phase. After all, the precursor lesions were segmented with 81.71% Dice coefficient.

Bu çalışmada, meme kanserinde CerbB2 tümör hücre skorlarının derin öğrenme modellerine dayalı olarak sınıflandırılmasına yönelik, özgün bir yaklaşım önerilmektedir. Bildirinin bir diğer katkısı da, özgün meme kanseri dokusundan veri kümesinin oluşturulmasıdır. Derin öğrenme modellerinin eğitilmesi, doğrulanması ve sınanması amacıyla, doku örnek görüntüleri üzerinden hücre parçaları oluşturulmuştur. Oluşturulan hücre parçalarına ilişkin CerbB2 tümör skorları, evrişimsel sinir ağları (ESA) yardımıyla yüksek başarımda sınıflandırılmıştır. This study proposes a unique approach to classify CerbB2 tumor cell scores in breast cancer based on deep learning models. Another contribution of the study is the creation of a dataset from original breast cancer tissues. On the purpose of training, validating and testing with deep learning models cell fragments were generated from sample tissue images. CerbB2 tumor scores were generated for the cell fragments were classified with high performance by the aid of convolutional neural networks (CNN).

Kanser tanısında yaygın olarak kullanılan Floresan In Situ Hibridizasyon (FISH) tekniği, kromozom bölgelerinin özel boyalarla boyanarak FISH sinyalleri hâlinde görüntülenmesine dayanır. Bu çalışmada, FISH tekniğiyle elde edilmiş görüntüler üzerinde, çoklu seviye eşiklemeye dayanan yeni bir FISH sinyali bölütleme yöntemi önerilmiştir. Floresan mikroskop ile yüksek büyütmede elde edilmiş görüntüler üzerinde hücre çekirdeklerinin bölütlenmesi için uyarlamalı eşikleme, uzaklık dönüşümü ve “su bölümü çizgisi” (watershed) yöntemleri kullanılmıştır. Geliştirilen özgün bölütleme yöntemiyle, hücre sınırları içine düşen bölgelerdeki FISH sinyalleri, çoklu seviye eşiklemeye ve morfolojik art işlemlere tabi tutularak belirlenmektedir. Önerilen yöntemin gerçek hastalardan alınmış 49 adet FISH görüntüsü üzerinde ölçülen tespit başarımının, literatürde yaygın olarak kullanılan diğer yöntemlere göre daha yüksek olduğu gözlenmiştir. Fluorescence in situ hybridization (FISH) technique widely used in cancer diagnosis is based on displaying chromosomal regions as FISH signals by staining with specific dyes. In this study, a new multi-level thresholding based FISH signal segmentation method is proposed for images produced by FISH technique. Cell nuclei are segmented on images, that are grabbed from fluorescence microcopes at high resolution, with adaptive thresholding, distance transform and watershed methods. FISH signals falling in cell boundaries are detected by applying multi-level thresholding and morphological post processes thanks to proposed segmentation method. It is observed that the detection rate of the proposed method on 49 FISH images taken from real patients, are higher than other widely used techniques in the literature. IEEE Bülent Ecevit Üniversitesi

Fluorescence in situ hybridization (FISH) technique widely used in cancer diagnosis is based on displaying chromosomal regions as FISH signals by staining with specific dyes. In this study, a new multi-level thresholding based FISH signal segmentation method is proposed for images produced by FISH technique. Cell nuclei are segmented on images, that are grabbed from fluorescence microcopes at high resolution, with adaptive thresholding, distance transform and watershed methods. FISH signals falling in cell boundaries are detected by applying multi-level thresholding and morphological post processes thanks to proposed segmentation method. It is observed that the detection rate of the proposed method on 49 FISH images taken from real patients, are higher than other widely used techniques in the literature. © 2016 IEEE.