Classification of peripheral blood cell ımages with pre-trained deep learning models:A transfer learning approach

Periferik kan hücrelerinin doğru ve hızlı bir şekilde sınıflandırılması, hematolojik hastalıkların tanısında kritik bir öneme sahiptir. Geleneksel yöntemlerde bu süreç, uzman hekimlerin mikroskobik incelemesiyle gerçekleştirilmekte olup zaman alıcı olmasının yanı sıra gözlemciler arası değişkenliğe de açıktır. Bu çalışmada, periferik kan hücrelerinin otomatik sınıflandırılması amacıyla derin öğrenme tabanlı bir yaklaşım sunulmuştur. Çalışma kapsamında, periferik kan yaymalarından elde edilen ve sekiz farklı hücre tipini içeren Periferik Kan Hücresi (Peripheral Blood Cell, PBC) veri seti kullanılmıştır. Bu veri seti; nötrofil, eozinofil, bazofil, lenfosit, monosit, trombosit, olgunlaşmamış granülositler ve eritroblast gibi klinik açıdan önemli hücre sınıflarını kapsamaktadır. Görüntü sınıflandırma problemi, ImageNet gibi büyük ölçekli veri setleri üzerinde ön-eğitim almış derin evrişimli sinir ağları üzerine kurulu transfer öğrenme yöntemi ile ele alınmış ve farklı mimarilerin sınıflandırma performansları karşılaştırmalı olarak incelenmiştir. Eğitim sürecinde, hesaplama maliyetini düşürmek ve sınırlı veriyle daha verimli öğrenme sağlamak amacıyla yalnızca son sınıflandırıcı katmanlar yeniden eğitilmiştir. Bunun yanı sıra, döndürme, yatay/dikey çevirme ve parlaklık değişimi gibi çevrimiçi veri artırma teknikleri uygulanarak modelin genelleme yeteneği artırılmış ve eğitim verisine aşırı uyum riski azaltılmıştır. Modellerin performansı; doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC metrikleri kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Elde edilen bulgular, derin ve optimize edilmiş mimarilerin özellikle morfolojik olarak benzer hücre tiplerinin ayrımında daha yüksek başarı sağladığını göstermektedir. Çalışma sonuçları, geliştirilen yaklaşımın hematolojik tanı süreçlerinde uzmanlara hızlı, objektif ve güvenilir bir karar destek sistemi sunma potansiyeline sahip olduğunu ortaya koymakta; böylece klinik iş akışının hızlandırılmasına ve tanı tutarlılığının artırılmasına katkı sağlayabileceğini göstermektedir.