Periferik yaymada görüntü iyileştirme teknikleri kullanarak sonuçların derin öğrenme tabanlı analizi ve sınıflandırılması

Bu tez çalışmasında, periferik yayma görüntülerine uygulanan görüntü iyileştirme tekniklerinin sınıflandırma başarımı üzerindeki etkisi kapsamlı biçimde analiz edilmiş; elde edilen bulgular, derin öğrenme temelli hibrit bir model çerçevesinde değerlendirilmiştir. Tezin temel amacı, mikroskobik görüntülerde tanısal doğruluğu artırmak üzere, görsel kaliteyi yükselten ön işleme adımlarının yanı sıra dikkat mekanizmaları ve dokusal özniteliklerin birlikte kullanıldığı, bütüncül bir derin öğrenme modeli geliştirmektir. Bu doğrultuda, önerilen ESA modeli hem öznitelik seviyesinde zenginlik sağlayan hem de karar seviyesinde yüksek güvenilirlik sunan bir mimari olarak tasarlanmıştır. Çalışmanın ilk aşamasında, transfer öğrenme yaklaşımı ile 19 farklı önceden eğitilmiş ESA mimarisi test edilmiştir. Başlangıç doğruluğu düşük olsa da yapısal sadeliği, modülerliği ve geliştirilebilirliği nedeniyle VGG16, deneysel süreçlerin temeli olarak seçilmiştir. Benzer şekilde, üç farklı açık kaynak beyaz kan hücreleri veri seti değerlendirilmiş ve "PBC Dataset Normal DIB" sınıf dengesi, görüntü kalitesi ve çeşitlilik açısından en uygun veri seti olarak tercih edilmiştir. Hipotez olarak, görüntü verilerinin iyileştirilmesi, aydınlatma seviyesinin optimize edilmesi, dikkat modülü entegrasyonu, dokusal bilginin modele dahil edilmesinin ve ensemble yapıların, sınıflandırma başarımını hem bağımsız hem de birlikte anlamlı düzeyde artıracağı öngörülmüştür. Bu kapsamda VGG16 ile -80 ile +80 arasında tanımlanan dokuz farklı ışık düzeyiyle model eğitilmiş; karşılaştırmalar sonucunda +40 seviyesi, orijinal görüntülere kıyasla en yüksek doğruluğu sağlamıştır. İzleyen aşamada, VGG16 modeline CBAM (Convolutional Block Attention Module) entegre edilerek ağın anlamlı bölgelere odaklanma yeteneği artırılmış; GLCM ve LBP tabanlı dokusal öznitelikler çıkarılarak modele çok boyutlu bilgi katkısı sağlanmıştır. Ardından, farklı yapısal özelliklere sahip üç tamamlayıcı mimari, MobileNetV2 (hafif ve hızlı), ResNet50 (derin ve güçlü), EfficientNet-B0 (verimli ve dengeli) bir araya getirilerek ensemble yapı oluşturulmuştur. Tüm bu katkıların birleşimiyle geliştirilen nihai ESA modeli, %99,82 doğruluk ile yüksek performans sergilemiş ve k-fold çapraz doğrulama ile modelin genellenebilirliği ve kararlılığı istatistiksel olarak doğrulanmıştır.