Automatic segmentation of leukemia cancer cells on hemocytometer

Hücre sayımı, laboratuvar iş akışında önemli bir adım olarak hücre sayısını ve hücre yoğunluğunu belirlemek için kullanılır. Hücre yoğunluğunun belirlenmesi, hem hastalıkların doğru ve kesin teşhisi hem de ilaç deneyleri için çok önemlidir. Hücre sayma makinelerinin yüksek maliyeti nedeniyle, uzmanlar genellikle hücreleri hemositometre ile manuel olarak sayarlar. Hücreleri manuel olarak saymak hem zahmetli hem de zaman alıcı bir işlemdir. Bu çalışmada, hücreleri otomatik olarak saymak için derin öğrenmeye dayalı semantik hücre segmentasyon yöntemi sunulmaktadır. Çalışmada analiz edilen veri seti, hücre kültüründen alınan HL60 lösemi kanser hücrelerinin hemositometre üzerindeki 468 adet ışık mikroskobu görüntüsünden oluşmakadır. 468 görüntüden 421 i k=5 katlamalı çapraz doğrulama ve 47 si model doğrulama için ayrılmıştır. U-Net ile oluşturulan modelin eğitim performansını değerlendirmek için piksel doğruluğu ve ortalama birlik üzerinden kesişme (IoU) metrikleri kullanılmıştır. Izgara arama algoritmasıyla hiper-parametrelerin optimizasyonu uygulanmıştır. Sonuç olarak, ortalama piksel doğruluğu yüzde 98 ve ortalama IOU ise yüzde 87 elde edilmiştir. Test görüntülerinde 636 hücre bulunmakta olup, segmentasyon sonuçlarından bağlantılı bileşen analizi kullanılarak elde edilen hücre sayısı 511'dir. Böylece yüzde 80 oranında hücre tespit edilmiştir. Çalışmada geliştirilen yöntem uygulamaya aktarılarak, uzmanlar maliyetli olan hücre sayma makinesi kullanmadan hücre sayma işlemini otomatik olarak gerçekleştirebilirler. Bu nedenle sunulan yöntemin hem zaman hem de bütçe tasarrufuna katkı sağlayacağı düşünülmektedir.