Faz Kontrast Optik Mikroskopi Zaman Serisi Görüntülerinde Hücrelerin Otomatik Bölütlenmesi Automated Segmentation of Cells in Phase Contrast Optical Microscopy Time Series Images Rıfkı Can Binici ve Umut ¸ Sahin Yazılım Mühendisli˘ gi ˙ Izmir Ekonomi Üniversitesi ˙ Izmir, Türkiye canbinici.55@gmail.com, umut.sahin.se@gmail.com Aydin Ayanzadeh ve Behçet U˘ gur Töreyin Bili¸ sim Enstitüsü ˙ Istanbul Teknik Üniversitesi ˙ Istanbul, Türkiye ayanzadeh17@itu.edu.tr, toreyin@itu.edu.tr Sevgi Önal Biyoteknoloji ˙ Izmir Yüksek Teknoloji Enstitüsü ˙ Izmir, Türkiye sevgional1@gmail.com Devrim Pesen Okvur ve Özden Yalçın Özuysal Moleküler Biyoloji ve Genetik ˙ Izmir Yüksek Teknoloji Enstitüsü ˙ Izmir, Türkiye devrimpesen@iyte.edu.tr, ozdenyalcin@iyte.edu.tr Devrim Ünay Biyomedikal Mühendisli˘ gi ˙ Izmir Ekonomi Üniversitesi ˙ Izmir, Türkiye unaydevrim@gmail.com Özetçe —Faz kontrast optik mikroskopi hücrelerin canlı ortamlarında zamana ba˘ glı incelenmesi için tercih edilen görün- tüleme yöntemidir. Bu yöntem ile elde edilen zaman serisi görüntülerinde hücrelerin bölütlenmesi i¸ si hücre biyolojisi ara¸ stır- macılarının çözümüne ihtiyaç duydu˘ gu emek yo˘ gun ve zaman alan bir i¸ stir. Bu çalı¸ smada faz kontrast optik mikroskopi za- man serilerinde hücrelerin otomatik bölütlenmesi için geleneksel görüntü i¸ sleme ve derin ö˘ grenme temelli yöntemler önerilmi¸ s ve ba¸ sarımları elle i¸ saretlenmi¸ s veri kümelerinde nicel olarak ölçülmü¸ stür. Anahtar Kelimeler—faz kontrast optik mikroskopi, zaman serisi, hücre bölütleme, derin ö˘ grenme, SegNet. Abstract—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. Keywords—phase contrast optical microscopy, time series, cell segmentation, deep learning, SegNet. I. G ˙ IR ˙ I¸ S Son yıllarda geli¸ smi¸ s mikroskop sistemlerinin yaygın- la¸ smasıyla canlı hücrelerin belirli zaman aralıklarıyla be- lirli bir süre boyunca mikroskop altında görüntülendi˘ gi çok sayıda görüntü dizisi olu¸ sturulmaya ba¸ slanmı¸ stır. Bu görüntü dizilerinden, hücre morfolojisine, polaritesine ve hareketine dair önemli bilgiler elde edilmekte ve bu bilgiler embriyonik geli¸ sim, yara kapanması, kanser hücrelerinin metastatik özel- likleri gibi bilimsel sorulara cevap olabilmektedir. Canlı hücrelerin zamana ba˘ glı görüntülenmesinde floresan ve faz kontrast mikroskopi yöntemleri rutin olarak kullanıl- maktadır. Floresan i¸ saretli sinyalin zamanla kendili˘ ginden ya da florı¸ sıldama bozulmasına (photobleaching) ba˘ glı olarak azalması, veri elde edilebilen deney süresinin kısa olması ve normal ı¸ sık mikroskobunun floresan mikroskobuna göre daha ucuz ve eri¸ silebilir olması nedenleriyle, faz kontrast optik mikroskopi avantajlıdır. Faz kontrast optik mikroskopi zaman serisi görüntülerinde hücrelerde olu¸ san morfolojik de˘ gi¸ simlerin tespiti (örn. video boyunca hücre sınırları i¸ saretlenerek hacim de˘ gi¸ simlerin be- lirlenmesi) hücre biyolojisi ara¸ stırmacılarının ihtiyaç duydu˘ gu ancak emek yo˘ gun ve zaman alan bir i¸ slemdir. Görüntü i¸ sleme yöntemlerinden faydalanılarak bu i¸ slem kolayla¸ stırılabilir ve hızlandırılabilir. Literatürdeki çalı¸ smalar görüntü i¸ sleme yön- temleri kullanılarak faz kontrast optik mikroskopi zaman ser- ilerinde hücrelerin tespiti [1], sayılması [2], bölütlenmesi [3], sınıflanması [4] ve takibi [5] gibi farklı problemlere odaklan- mı¸ stır. Biz bu çalı¸ smada faz kontrast optik mikroskopi zaman serilerinde hücrelerin otomatik bölütlenmesi problemine odak- lanmaktayız. Bu konuda literatürde yapılan çalı¸ smaları his- togram [6], sınır/bölge (edge/region) [7], morfoloji [8], aktif çevrit (active contour) [8], [9], çizge ayırma (graph partition- ing) [10], [11], sınıflandırma [12] ve seyrek matris ayrı¸ stırma (sparse matrix decomposition) [3] temelli olanlar ¸ seklinde gruplayabiliriz. Literatürden farklı olarak çalı¸ smamızda geleneksel görüntü i¸ sleme ve derin ö˘ grenme temelli olmak üzere iki farklı bölütleme yöntemi önerilmi¸ s ve bu yöntemlerin hücre 978-1-7281-2420-9/19/$31.00 c 2019 IEEE Authorized licensed use limited to: ULAKBIM UASL - IZMIR YUKSEK TEKNOLOJI ENSTITUSU. Downloaded on August 20,2020 at 10:58:38 UTC from IEEE Xplore. Restrictions apply.