Hematoxylin and eosin (H&E) histological staining, immunohistochemical (IHC) and immunofluorescence (IF) staining approaches have been developed to visualize sections such as nuclear morphology or biomarkers in tissue or cell samples in microscopic systems. Compared to H&E or IHC staining, digitizing fluorescent staining is more challenging and time consuming for experts. However, more cellular or subcellular markers can be visualized in IF staining approaches. Automated nuclear segmentation obtained from fluorescent microscopes with high accuracy provides more information about cells in IF staining approaches. In the literature, many studies have been developed for cell or tissue segmentation in images obtained from microscopic systems and high accuracy results have been obtained. However, this success in other fields has not been achieved for nuclear segmentation in images obtained from fluorescent microscopes. In this context, high-accuracy autoencoder models are developed for nuclear segmentation in fluorescent microscope systems. The analysis of the developed autoencoder models is carried out using a dataset of fluorescent microscope images marked by experts. In terms of the performance evaluation procedures used in the study, it is clearly seen that the success of the autoencoder models performed is satisfactory for automatic nuclear segmentation.
Fluorescent microscope Nuclear segmentation Deep learning Autoencoder Transfer Learning U-Net
Mikroskobik sistemlerde doku veya hücre numunelerinde nükleer morfoloji veya biyolojik belirteçler gibi bölümleri görselleştirmek için hematoksilen ve eozin (Hematoxylin and eosin - H&E) histolojik boyamalar, immünohistokimyasal (immunohistovhemical - IHC) ve immünofloresan (immunofluorescence - IF) boyama yaklaşımları geliştirilmiştir. H&E veya IHC boyamalar ile karşılaştırıldığında, IF boyamaların sayısala aktarılması uzmanlar için daha zorlu ve zaman alıcı olmaktadır. Fakat, IF boyama yaklaşımlarında daha fazla hücresel veya hücre altı belirteç görüntülenebilmektedir. Floresan mikroskoplardan elde edilmiş nükleer segmentasyonunun yüksek doğrulukla otomatik gerçekleştirilmesi IF boyama yaklaşımlarındaki hücreler hakkında daha fazla bilgi elde edilmesini sağlamaktadır. Literatürde diğer mikroskobik sistemlerden elde edilmiş görüntülerde hücre veya doku segmentasyonu için birçok çalışma geliştirilmiş ve yüksek doğruluklu sonuçlar elde edilmiştir. Fakat diğer alanlarda gerçekleştirilen bu başarı, floresan mikroskoplardan elde edilmiş görüntülerdeki nükleer segmentasyonu için elde edilmemiştir. Bu kapsamda, çalışmada floresan mikroskop sistemlerinde nükleer segmentasyonu için yüksek doğruluklu otomatik kodlayıcı modelleri geliştirilmektedir. Geliştirilen otomatik kodlayıcı modellerinin analizi uzman kişiler tarafından işaretlenmiş, floresan mikroskop görüntülerinden oluşan veri seti kullanılarak gerçekleştirilmektedir. Çalışmada kullanılan performans değerlendirme prosedürleri açısından, gerçekleştirilen otomatik kodlayıcı modellerinin başarılarının otomatik nükleer segmentasyon için tatmin edici olduğu açıkça görülmektedir.
Floresan mikroskop Nükleer segmentasyon Derin öğrenme Otomatik kodlayıcı Transfer öğrenme U-Net
Birincil Dil | Türkçe |
---|---|
Konular | Bilgisayar Yazılımı, Mühendislik, Biyomedikal Mühendisliği |
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 15 Eylül 2023 |
Yayımlandığı Sayı | Yıl 2023 Cilt: 13 Sayı: 3 |
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.