TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
3 results
Search Results
Research Project Kolon Polipleri için Kolonoskopi ve Histopatoloji Görüntülerinden Yapay Zekâ Destekli Prognostik Belirteç Tespiti(2023) Doğan, Serkan; Doğan, Refika Sultan; Aydın, Zafer; Akay, Ebru; Güzel, Ömer Faruk; Yilmaz, Bulent; Taşdemir, Sena Büşra YengeçKolon kanseri vakalarının çoğu kolon mukozasında anormal hücre çoğalmasından kaynaklanan poliplerle başlar. Bu projede Kayseri Şehir Hastanesi gastroenteroloji kliniğine gelen 201 hastada tespit edilen poliplere dair kolonoskopi video ve görüntülerinden ve biyopsi örneklerinden elde edilen patoloji raporu ve immunohistokimyasal (İHK) gen ve protein analizi sonuçlarını içeren kapsamlı bir veri seti oluşturulmuştur. Bu projede, elde ettiğimiz veri setinde yer alan görüntülerden kolon poliplerinin evresini/patolojisini tahmin etmek için yenilikçi derin öğrenme ve makine öğrenmesi yöntemlerini temel alan çevrim içi veya dışı kullanılabilen kapsamlı bir yapay zekâ destekli bilgisayarlı görü sistemi geliştirilmiştir. Bu proje kapsamında; kolonoskopi videolarından gerçek zamanlı polip lokalizasyonu, videolardan görüntülerin elde edilmesi, polip görüntülerinden hiperplastik ve tübüler polip ayrımının otomatik yapılması ve hekim performansıyla karşılaştırılması, bu görüntüler üzerinde ayırt edici özniteliklerin tespit edilmesi, farklı büyütmelerde alınan histopatoloji görüntülerinden adenomatöz olan ve olmayan poliplerin ve poliplerin alt tiplerinin yenilikçi derin öğrenme yöntemleriyle tespiti, Ki-67, p53, VEGF, PDL-lenfosit ve PDL-epitel, BRAF ve cd34 isimli gen ve proteinlerin İHK analizlerinin sonuçlarının polip tipleri ve alt tipleri için yorumlanması ve poliplerin bu bilgilere göre etiketlenmesi gerçekleştirilmiştir.Research Project Artificial Intelligence Assisted Prognostic Marker Determination from Colonoscopy and Histopathology Images for Colon Polyps(2023) Doğan, Serkan; Doğan, Refika Sultan; Aydın, Zafer; Akay, Ebru; Güzel, Ömer Faruk; Yilmaz, Bulent; Taşdemir, Sena Büşra YengeçIn this project our goal is to develop a computer vision and artificial intelligence-based system to be used in the real-time or offline differentiation (and characterization) of colon polyps that are known to be the precursors of colon cancer. The system will use image/video processing, machine learning and deep learning approaches. It is expected to provide a real-time optical biopsy opportunity to the endoscopists to examine the polyps in terms of type, phase, malignancy potential, etc. during the colonoscopy procedure without a need to send the extracted tissue to the pathology clinic. The system will allow to make sense of the molecular level of the tissues from the colonoscopy and histopathology images.Article Citation - WoS: 8Citation - Scopus: 10Lung Cancer Subtype Differentiation From Positron Emission Tomography Images(Tubitak Scientific & Technological Research Council Turkey, 2020-01-27) Ayyildiz, Oguzhan; Aydin, Zafer; Yilmaz, Bulent; Karacavus, Seyhan; Senkaya, Kubra; Icer, Semra; Kaya, Eser; Taşdemir, ArzuLung cancer is one of the deadly cancer types, and almost 85% of lung cancers are nonsmall cell lung cancer (NSCLC). In the present study we investigated classification and feature selection methods for the differentiation of two subtypes of NSCLC, namely adenocarcinoma (ADC) and squamous cell carcinoma (SqCC). The major advances in understanding the effects of therapy agents suggest that future targeted therapies will be increasingly subtype specific. We obtained positron emission tomography (PET) images of 93 patients with NSCLC, 39 of which had ADC while the rest had SqCC. Random walk segmentation was applied to delineate three-dimensional tumor volume, and 39 texture features were extracted to grade the tumor subtypes. We examined 11 classifiers with two different feature selection methods and the effect of normalization on accuracy. The classifiers we used were the k-nearest-neighbor, logistic regression, support vector machine, Bayesian network, decision tree, radial basis function network, random forest, AdaBoostM1, and three stacking methods. To evaluate the prediction accuracy we performed a leave-one-out cross-validation experiment on the dataset. We also considered optimizing certain hyperparameters of these models by performing 10-fold cross-validation separately on each training set. We found that the stacking ensemble classifier, which combines a decision tree, AdaBoostM1, and logistic regression methods by a metalearner, was the most accurate method for detecting subtypes of NSCLC, and normalization of feature sets improved the accuracy of the classification method.