Histopatolojik görüntülerde hücre çekirdeklerinin doğru şekilde segmentasyonu, kanserin erken tanısı ve sınıflandırılması açısından büyük önem taşımaktadır. Bu çalışmada, U-Net temelli bir çekirdek segmentasyon modeli geliştirilmiş ve derin özellik çıkarımı için EfficientNetB7 kodlayıcı kullanılmıştır. Model, farklı çözünürlük seviyelerinden gelen bilgileri bütünleştirerek, karmaşık hücresel yapılardan anlamlı öznitelikler çıkarmakta ve segmentasyon doğruluğunu artırmaktadır. Ayrıca, eğitim verilerinde etiket tutarsızlıklarını ortadan kaldırmak üzere, maske sınıflarını otomatik olarak sayısal değerlere eşleyen “Index-Driven” adlı bir etiketleme mekanizması önerilmiştir. Bu yaklaşım, özellikle birden fazla kaynaktan elde edilen verilerin tekil sınıf temelli ikili segmentasyon için tutarlı biçimde hazırlanmasını sağlamaktadır. Gerçekleştirilen deneysel çalışmalar, bu mimari ve etiketleme bütünlüğünün, modelin segmentasyon doğruluğunu anlamlı düzeyde artırdığını ve literatürdeki yöntemlerle rekabet edebilecek bir performans sunduğunu göstermektedir.
Çekirdek segmentasyonu U-Net EfficientNetB7 semantik segmentasyon dijital patoloji
Accurate segmentation of cell nuclei in histopathology images is essential for early cancer diagnosis and classification. In this study, we propose a U-Net-based segmentation model that incorporates an EfficientNetB7 encoder to enable deep feature extraction across multiple resolution levels. The architecture effectively captures complex cellular structures and enhances segmentation precision through rich multi-scale representations. To address label inconsistencies across datasets, we introduce an Index-Driven labeling mechanism that automatically maps semantic class annotations to numerical values. This strategy ensures consistent binary labeling, particularly when integrating heterogeneous mask sources into a unified training pipeline. Experimental results demonstrate that the integration of this architecture and labeling strategy significantly enhances the model’s segmentation accuracy and provides a performance that is competitive with existing methods in the literature.
Nuclei segmentation U-Net EfficientNetB7 semantic segmentation digital pathology
Birincil Dil | Türkçe |
---|---|
Konular | Yapay Zeka (Diğer) |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 3 Eylül 2025 |
Gönderilme Tarihi | 22 Nisan 2025 |
Kabul Tarihi | 17 Temmuz 2025 |
Yayımlandığı Sayı | Yıl 2025 Cilt: 28 Sayı: 3 |