Farklı omurga mimarilerine sahip faster R-CNN modeli ile böbrek doku görüntülerinde glomerül tespiti ve sayımı

Bu çalışmada, histolojik böbrek doku görüntülerinde glomerüllerin otomatik tespiti ve sayımı için Faster R-CNN mimarisi kullanılarak farklı omurga (backbone) mimarilerinin performansları karşılaştırmalı olarak değerlendirilmiştir. AlexNet, ResNet-50, ResNet-101, GoogLeNet (Inception-v3), VGG-16, DenseNet-121, EfficientNet-B0 ve MobileNet-V2 olmak üzere sekiz omurga (backbone) aynı veri kümesi ve eğitim protokolü altında değerlendirilmiştir. Toplam 2500 adet 500×500 piksel çözünürlüğündeki histolojik görüntü %70 eğitim, %15 doğrulama ve %15 test olmak üzere üç gruba ayrılmıştır. Tüm modeller ImageNet veri seti üzerinde ön eğitimli ağırlıklarla transfer öğrenme yaklaşımı kullanılarak eğitilmiştir. Performans değerlendirmesi kesinlik (precision), duyarlılık (recall), F1-skor, 0,50 Birleşim Üzerinden Kesişim (IoU) eşiğinde Genel Ortalama Hassasiyet mAP50 ve 0,50-0,95 IoU aralığında Genel Ortalama Hassasiyet (mAP50-95) metrikleri kullanılarak gerçekleştirilmiştir. Test seti sonuçlarına göre, MobileNet-V2 genel performans açısından en yüksek F1-skor değerini 0,973 ile öne çıkmıştır. Kesinlik metriğinde ResNet-50 0,954 en başarılı olurken, duyarlılık metriğinde DenseNet-121 0,994 en yüksek değeri göstermiştir. Nesne tespit kalitesinin değerlendirilmesinde mAP50 metriğinde VGG-16 0,992 öne çıkarken, mAP50-95 metriğinde VGG-16 0,708 en iyi performansı göstermiştir.