Classification of peripheral blood cell ımages with pre-trained deep learning models:A transfer learning approach
Ön-Eğitimli Derin Öğrenme Modelleriyle Periferik Kan Hücresi Görüntülerinin Sınıflandırılması: Bir Transfer Öğrenme Yaklaşımı
- Tez No: 1000721
- Danışmanlar: DOÇ. DR. FERHAT UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
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.
Özet (Çeviri)
Accurate and rapid classification of peripheral blood cells is critically important in the diagnosis of hematological diseases. Traditional methods involve microscopic examination by specialist physicians, which is time-consuming and subject to inter-observer variability. This study presents a deep learning-based approach for the automated classification of peripheral blood cells. The study utilizes a Peripheral Blood Cell (PBC) dataset obtained from peripheral blood smears, encompassing eight different cell types: neutrophils, eosinophils, basophils, lymphocytes, monocytes, platelets, immature granulocytes, and erythroblasts – clinically significant cell classes. The image classification problem was addressed using a transfer learning method based on deep convolutional neural networks pre-trained on large-scale datasets such as ImageNet, and the classification performance of different architectures was comparatively examined. During the training process, only the final classifier layers were retrained to reduce computational costs and ensure more efficient learning with limited data. In addition, the generalization ability of the model was improved and the risk of overfitting to the training data was reduced by applying online data enhancement techniques such as rotation, horizontal/vertical flipping, and brightness adjustment. The performance of the models was comprehensively evaluated using accuracy, precision, sensitivity, F1 score, and ROC-AUC metrics. The findings show that deep and optimized architectures achieve higher success, especially in distinguishing morphologically similar cell types. The study results reveal that the developed approach has the potential to provide experts with a fast, objective, and reliable decision support system in hematological diagnostic processes; thus, it can contribute to accelerating clinical workflows and improving diagnostic consistency.
Benzer Tezler
- Periferik yaymada görüntü iyileştirme teknikleri kullanarak sonuçların derin öğrenme tabanlı analizi ve sınıflandırılması
Deep learning-based analysis and classification of peripheral blood smear results using image enhancement techniques
OLCAY PALTA
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HANİFİ GÜLDEMİR
DOÇ. DR. MUSA ÇIBUK
- Derin öğrenme yöntemleri ile periferik yayma görüntülerinin analizi ve sınıflandırılması
Analysis and classification of peripheral blood smear images using deep learning methods
YUSUF YARGI BAYDİLLİ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT ATİLA
- Sayısal haritalama teknikleri kullanılarak DNA dizilimleri üzerinden lösemi hastalığının temel türlerinin yapay zeka tabanlı algoritmalar ile sınıflandırılması
Classification of main types of leukemia disease with artificial intelligence-based algorithms on the DNA sequences using digital mapping techniques
FATMA AKALIN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Periferik yayma sonuçlarının otomatik analizi için zeki denetimli sistem tasarımı
Intelligent controlled system design for automatic analysis of peripheral blood smears
ABDULLAH ELEN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KAMİL TURAN
- ViT, DeiT ve Swin tabanlı hibrit derin öğrenme modeli ile beyaz kan hücresi görüntülerinin sınıflandırma performansının değerlendirilmesi
Evaluating the classification performance of a ViT, DeiT and Swin-based hybrid deep learning model for white blood cell images
AYŞEGÜL YILMAZ
Yüksek Lisans
Türkçe
2025
BiyomühendislikSamsun ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPASLAN KOÇ