Çok sınıflı medikal görüntü sınıflandırması için melez derin öğrenme yaklaşımları

Bu tez çalışması, farklı özelliklere sahip kan hücrelerinin sınıflandırılması için derin öğrenme (ing: deep learning) mimarileri, meta-sezgisel (ing: meta-heuristic) yaklaşımları, boyut azaltma yöntemleri ve ağaç tabanlı sınıflandırma algoritmalarının birlikte kullanıldığı melez bir çerçeve uygulamasıdır. Bu çalışma, Residual Network (ResNet) ResNet18 ve ResNet34 gibi derin öğrenme mimarilerinin, covariance matrix adaptation evolution strategy (CMA-ES) ve particle swarm optimization (PSO) gibi meta-sezgisel yöntemlerin, principal component analysis (PCA), indepented component analysis (ICA), uniform manifold approximation and projection (UMAP) ve t-distributed stochastic neighbor embedding (t-SNE) gibi boyut indirgeme yaklaşımlarının ve Random Forest (RF), eXtreme gradient boosting (XGBoost) ve light gradient-boosting machine (LightGBM) gibi ağaç tabanlı algoritmalarının başarımlarının birlikte kullanıldığı melez bir çerçeve sunmaktadır. Yapılan çalışmalar, görüntü işleme çalışmalarında ResNet18 ve ResNet34 gibi derin öğrenme mimarilerinin oldukça başarılı olduğunu göstermiştir. Ayrıca yapılan literatür çalışmaları RF, XGBoost ve LightGBM gibi ağaç tabanlı algoritmalarının sınıflandırma başarımlarının oldukça yüksek olduğunu göstermektedir. Bu yaklaşımların başarımlarından yola çıkarak, ResNet18 ve ResNet34 yaklaşımları özniteliklerinin çıkarımında kullanılırken, ağaç tabanlı algoritmalar olan karar ağaçları ise sınıflandırma amacı ile kullanılmaktadır. Aynı zamanda geçmiş literatür çalışmaları göstermiştir ki, aykırı değerlerden arındırarak aşırı uyum (ing: over-fitting) probleminin önüne geçmek ve genelleştirme performansını arttırmak ve/veya hesaplama karmaşıklığını düşürmek amacı ile sınıflandırma öncesinde uygun öznitelik seçimi ve/veya boyut azaltma yaklaşımlarının kullaılması önem arz etmektedir. Bu bağlamda, derin öğrenme mimarisi ön-eğitim (ing: pre-train) aşamasından sonra meta-sezgisel algoritmalardan CMA-ES ve PSO algoritmaları özniteliklerin seçilmesi amacı ile ve PCA, ICA, UMAP ve t-SNE gibi boyut indirgeme algoritmaları farklı kombinasyonlarda kullanılarak sınıflandırma performansı üzerindeki etkileri araştırılmıştır. Bu tez çalışmasında önerilen melez yöntemlerin başarımı MedMNIST veri kümesinde bulunan, 8 adet farklı kan hücrelerinin bulunduğu BloodMNIST veri kümesi kullanılmıştır. Makine öğrenimi yöntemlerinin başarımının hiper-parametre ayarlarına oldukça bağlı olduğu gerçeğinden yola çıkarak her aşamada ResNet mimarisine; RF, Xgboost ve LightGBM sınıflandırıcılarına; CMA-ES ve PSO meta-sezgisellerine özgü hiper-parametreler seçilmiş ve bu parametrelerin en iyi değerleri belirlenmiştir. Bu tez çalışması kapsamında, en uygun melez çerçevenin belirlenmesi amacı ile, seçilen yaklaşımların farklı kombinasyonlarını içeren melez yöntemlere ait başarımları detaylı incelenmiştir. Bu bağlamda, deneysel çalışmalar 4 farklı melez yöntem üzerinde gerçeklenmiştir. Uygulanan ilk melez çerçeve, BloodMNIST verisine ait öznitelikler ResNet mimarileri kullanılarak ön-eğitim aşamasından geçirilerek çıkarılmıştır. Çıkarılan bu öznitelikler kullanılarak kan hücrelerinin sınıflandırılması için RF, XGBoost ve LightGBM algoritmalarının başarımları araştırılmıştır. Bu incelemede, LightGBM sınıflandırıcı başarımının diğerlerinden daha iyi olduğu görülmüştür. Çalışmadaki ikinci melez çerçeve, hesaplama karmaşıklığını düşürmek ve/veya aykırı değerlerden arındırarak genelleştirilmiş başarımı arttırmak amacı ile ResNet ve sınıflandırıcı ara katmanına boyut indirgeme yöntemleri eklenerek başarıma olan etkileri araştırılmıştır. Yapılan analizler, PCA ve ICA algoritmalarının başarıyı arttırdığını gösterirken UMAP ve t-SNE algoritmalarının başarımı düşürdüğü gözlemlenmiştir. Üçüncü melez çerçeve, daha seçkin özniteliklerin elde edilebilmesi amacıyla ResNet ve sınıflandırıcı ara katmanına ek olarak öznitelik seçme amacı ile meta-sezgisel yaklaşımlar uygulanarak başarıma olan etkileri araştırılmıştır. Yapılan analizler, meta-sezgisel algoritmalarının özellikle hiper-parametre optimizasyonundan sonra başarımı arttırdığı gözlemlenmiştir. CMA-ES ve PSO yöntemleri arasından en yüksek başarım PSO algoritması ile elde edilmiştir Çalışmada uygulanan dördüncü melez çerçevede ise, meta-sezgisel algoritmalarla elde edilen başarıyı artırmak amacıyla meta-sezgisel ve sınıflandırıcı ara katmanına boyut indirgeme algoritmaları uygulayarak sonuçlar üzerindeki etkileri incelenmiştir. Yapılan analizler, meta-sezgisel ve boyut indirgeme algoritmalarının birlikte kullanılmasının başarımı düşürdüğünü gösterirken, en iyi özniteliklerin meta-sezgisel yaklaşımlar ile seçilmesinin başarımı arttırdığını göstermiştir. Bu tez çalışması, ResNet mimarisi ile elde edilen ön-eğitim seti üzerinden PSO gibi meta-sezgisel yaklaşımlar ile elde edilen özniteliklerin LightGBM gibi ağaç-tabanlı yaklaşımlar ile melez kullanımının sınıflandırma başarımını iyileştirdiğini göstermiştir. Bu melez çerçeve, farklı derin öğrenme mimarilerine, öznitelik seçme amacı ile farklı meta-sezgisel yöntemlerin, farklı boyut indirgeme yaklaşımlarının ve farklı sınıflandırma yaklaşımlarının birlikte kullanılabileceği bir yapı sunmaktadır.