Assessing the effectiveness of enhancements and modified Yolov11 in malaria detection on microscopic small objects
Mikroskobik küçük nesnelerde sıtma tespitinde iyileştirmelerin ve modifiye Yolov11'in etkinliğinin değerlendirilmesi
- Tez No: 989561
- Danışmanlar: DOÇ. DR. ALİ FURKAN KAMANLI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Sıtma tespiti, trofozoit tespiti, YOLOv11, copy-paste artırma, CBAM, SAHI, küçük nesne tespiti, derin öğrenme, tıbbi görüntü analizi, bilgisayar destekli teşhis, nesne tespiti, dikkat mekanizmaları, veri artırma, Plasmodium paraziti, mikroskopi görüntü işleme, malaria detection, trophozoite detection, YOLOv11, copy-paste augmentation, CBAM, SAHI, small object detection, deep learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giriş ve Araştırmanın Önemi: Sıtma, Plasmodium parazitleri tarafından neden olunan ve küresel ölçekte önemli bir halk sağlığı sorunu olmaya devam eden yaşamı tehdit edici bir hastalıktır. Dünya Sağlık Örgütü (WHO) 2022 yılında tahmini 249 milyon sıtma vakası ve 608.000 ölüm rapor etmiştir. Hastalığın etkin yönetimi için doğru ve zamanında teşhis hayati önem taşımaktadır. Geleneksel olarak, sıtma teşhisinde altın standart yöntem Giemsa boyalı kan yaymasının manuel mikroskobik incelemesi olmuştur. Bu yöntem yüksek özgüllüğe sahip olmakla birlikte, emek yoğun, zaman alıcı ve eğitimli mikroskopistlerin uzmanlığına büyük ölçüde bağımlıdır. Manuel incelemenin öznel doğası, özellikle parazit yoğunluğunun düşük olduğu durumlarda gözlemciler arası değişkenliğe yol açmaktadır. Kaynak kısıtlı ortamlarda bu kısıtlamalar daha da şiddetlenmekte ve gecikmeli teşhislere yol açmaktadır. Bilgisayar destekli teşhis (CAD) sistemleri, özellikle derin öğrenme teknikleri, tıbbi görüntüleme modalitelerinde hastalık tespiti ve sınıflandırmada olağanüstü başarı göstermiştir. YOLO (You Only Look Once) mimarisi, hiyerarşik özellik çıkarımı için omurga, çok ölçekli özellik füzyonu için boyun ve sınırlayıcı kutu tahmini için baş olmak üzere üç aşamalı tasarımı ile karakterize edilmiş ve sürekli evrim geçirmiştir. Problem Tanımı ve Araştırma Amaçları: Kan yayması görüntülerinde trofozoitlerin (Plasmodium parazitinin erken halka aşaması) otomatik tespiti ciddi zorluklar sunmaktadır. Trofozoitler küçük boyutları, karmaşık morfolojileri ile ayırt edilir ve akyuvarlar (WBC) gibi diğer hücresel bileşenlere göre zayıf temsil edilirler. Ayrıca, mikroskobik verilerin çok ölçekli doğası ek karmaşıklık sunmaktadır. Bu araştırma, Zindi'nin Lacuna Sıtma Tespit Yarışması'ndan türetilen bir veri seti kullanmaktadır. Veri setinin başlangıç analizi, trofozoitlerin WBC'lere göre boyut ve yaygınlıklarında önemli bir eşitsizlik göstermektedir. Araştırmanın Amaçları: • Trofozoitleri hedefleyen sınıf-spesifik copy-paste veri artırma ile sınıf dengesini geliştirmek • Artırma sırasının ve kombinasyonlarının etkisini kontrollü ablasyon çalışması ile ölçmek • CBAM'ın YOLOv11 mimarisine entegrasyonu ile özellik ayrımını iyileştirmek • SAHI uygulayarak çıkarım sırasında küçük nesne geri çağırımını artırmak Metodoloji: Veri Seti ve Keşifsel Veri Analizi: Araştırma, 3.925 görüntüden oluşan halka açık bir veri seti kullanmaktadır. 2.747 eğitim görüntüsü model geliştirme için, 1.178 test görüntüsü değerlendirme için ayrılmıştır. Eğitim seti üç temel etiket içermektedir: trofozoit (hedef parazit), WBC (akyuvar) ve NEG (parazit içermeyen görüntüler). Keşifsel veri analizi önemli sınıf dengesizliği ortaya çıkarmıştır: Trofozoit %67,41 (15.838 kutu), WBC %29,66 (7.004 kutu), NEG %2,94 (688 görüntü). Kritik olarak, WBC sınırlayıcı kutuları (ortalama 15.429,71 piksel) trofozoitlerden (ortalama 5.392,14 piksel) önemli ölçüde daha büyüktür. Bu eşitsizlik, modellerin daha büyük WBC'lere öncelik vermesine ve küçük trofozoitler için düşük geri çağırıma yol açmaktadır. Veri Artırma Stratejileri: Sınıf dengesizliğini doğrudan ele almak için copy-paste artırma tekniğine odaklanılmıştır. Bu teknik şunları içerir: • Trofozoit örneklerini orijinal arka planlarından kesme • Bu örnekleri eğitim setindeki diğer görüntülere rastgele yerleştirme • Yapıştırılan örnekler için otomatik yeni YOLO formatında etiketler oluşturma Model sağlamlığını değerlendirmek için, copy-paste sistematik olarak geometrik dönüşümlerle birleştirilmiştir. Sekiz farklı artırma kombinasyonu değerlendirilmiş ve optimal artırma tekniği belirlenmiştir. Her kombinasyon için 400 artırılmış görüntü oluşturulmuştur. NEG görüntüler, sınıfların yokluğunun tespit edici eğitim sinyalini olumsuz etkilemesi nedeniyle kaldırılmıştır. YOLOv11 Modeli ve Mimari Geliştirmeler: CBAM Entegrasyonu: Modelin özellik çıkarma yeteneğini geliştirmek için Konvolüsyonel Blok Dikkat Modülü (CBAM) YOLOv11'e entegre edilmiştir. Eğitim Konfigürasyonu: Eğitim parametreleri: görüntü boyutu 1280, CBAM eklemeden model toplam 250 epoch (sabır: 20) ve CBAM ile 100 epoch (sabır: 50), batch boyutu 16, GPU cihazı ve 'auto' optimizer. SAHI ile Son İşleme: Slicing Aided Hyper Inference (SAHI), küçük nesnelerin tespitini iyileştirmek için kullanılmıştır. SAHI üç aşamadan oluşur: • Dilimleme: Yüksek çözünürlüklü görüntünün örtüşen dilimlere bölünmesi • Hiper Çıkarım: Her dilim üzerinde YOLOv11 ile yüksek çözünürlükte çıkarım • Birleştirme: Tüm dilimlerden gelen tahminlerin akıllıca birleştirilmesi Bulgular ve Tartışma: Veri Artırma Stratejilerinin Etkisi: Tekli Artırma: Copy-paste artırma temel metriğe göre önemli ölçüde daha iyi performans göstermiştir. Genel performansta en yüksek Duyarlılık (0.684), F1-Skoru (0.707) ve [email protected] (0.670) değerlerini elde etmiştir. Trofozoit tespitinde %10.6'lık iyileşme sağlamıştır (0.468'den 0.574'e). Çift Artırma: Yatay Çevirme → Copy-Paste konfigürasyonu en yüksek performansı göstermiştir ([email protected]: 0.7147, Duyarlılık: 0.7486, F1-Skor: 0.7444). Trofozoit tespitinde de en iyi metrikleri üretmiştir ([email protected]: 0.5321, Duyarlılık 0.6589). Önemli bulgu: Artırma sırasının kritik etkisi vardır. Üçlü Artırma: Copy-paste, yatay ve dikey çevirmeler birlikte uygulanmıştır. Model 100 epoch eğitilmiş, ardından erken durdurma ile 150 epoch daha genişletilmiştir: • Genel Performans: F1-skor 0.820, Duyarlılık 0.836, mAP@50: 0.856 • Trofozoit Tespiti: F1-skor 0.697, Duyarlılık 0.704, mAP@50: 0.734 • WBC Tespiti: F1-skor 0.943, Duyarlılık 0.968, mAP@50: 0.978 CBAM'ın Etkisi: CBAM modülünün YOLOv11'e entegrasyonu, ince parazitik yapıların algılanmasında dikkat mekanizmasının etkisini değerlendirmek amacıyla uygulanmıştır(100 epoch eğitilmiş) . Sayısal sonuçlar aşağıdaki gibidir: • Genel Performans: F1-skor 0.822, Duyarlılık 0.853, mAP@50 0.859 • Trofozoit Tespiti: F1-skor 0.701, Duyarlılık 0.728, mAP@50 0.737 • WBC Tespiti: F1-skor 0.943, Duyarlılık 0.979, mAP@50 0.980 CBAM entegrasyonu, özellikle trofozoit sınıfında duyarlılığı belirgin şekilde artırarak malarya tanısı için kritik olan gerçek enfeksiyonları kaçırma riskini azaltmaktadır. Genel tespit performansındaki küçük fakat tutarlı iyileşmelerle birlikte, CBAM modelin tanısal güvenilirliğini artıran etkili ve hafif bir dikkat mekanizması olarak görülmektedir. SAHI ile Son İşleme: Slicing Aided Hyper Inference (SAHI) ile yapılan son işlem iyileştirmesi niteliksel bir gelişme göstermemiş, örtüşen tahminler nedeniyle yanlış pozitifleri artırmış ve doğru pozitiflerde anlamlı bir artış sağlamamıştır. Hiperparametre Optimizasyonu ve P2 Başı • Optuna HPO: Trofozoit [email protected]'i hedeflemesine rağmen başlangıç ayarlarını geçememiştir. Güven Eşiği (0.21) ve Sınırlayıcı Kutu Kaybı (0.18) en kritik faktörler olarak belirlenmiştir. • Dördüncü Tespit Başı (P2): Stride 4'te eklenen P2 başı teorik olarak yüksek çözünürlük sağlamakla birlikte performans düşüşü göstermiştir. Genel kesinlik -4.0%, [email protected] -1.4% azalmıştır. Trofozoit tespitinde kesinlik -5.5%, [email protected] -3.5% azalmıştır. Ancak duyarlılık ikisinde neredeyse değişmemiştir. Sonuçlar ve Öneriler: Bu çalışmada, mikroskobik kan yaymalarında Trophozoit tespiti için YOLOv11 tabanlı modelin performansı incelendi. Hedefe yönelik veri artırma ve CBAM entegrasyonu hassasiyeti artırdı. Ancak mimari iyileştirmeler sınırlı katkı sağladı. Hiperparametre optimizasyonu ve P2 başı eklemeleri beklenen performans artışını getirmedi. SAHI post-processing yöntemi ise yanlış pozitifleri artırdı. Sonuçlar, mikroskobik görüntülere özgü, veri odaklı ve dikkat mekanizmalarıyla desteklenen yöntemlerin, genel mimari veya evrensel post-processing stratejilerinden daha etkili ve güvenilir olduğunu göstermektedir. Ana Katkılar: • Tıbbi mikroskopi için copy-paste artırmanın ampirik doğrulaması • Sekiz artırma kombinasyonunun kapsamlı ablasyon çalışması • Gabor-filtreli CBAM ile doku-farkında dikkat mekanizması entegrasyonu • Eğitim ve çıkarım zamanı geliştirmelerinin bütünsel değerlendirmesi Gelecek Araştırma Yönleri: • Çok Aşamalı Tespit: Tüm Plasmodium yaşam aşamalarını kapsayacak genişletme • Çapraz Veri Seti Doğrulama: Farklı görüntüleme koşullarında genellenebilirlik testi • Gelişmiş Dikkat Mekanizmaları: Ultra-küçük nesne tespiti için özel mekanizmalar • Mobil Optimizasyon: Kaynak kısıtlı ortamlar için model sıkıştırma • Klinik Doğrulama: Endemik bölgelerde prospektif çalışmalar
Özet (Çeviri)
ABSTRACT Malaria remains a major global health challenge, with an estimated 249 million cases and 608,000 deaths reported worldwide in 2022. Despite advances in diagnostic technologies, microscopic examination of blood smears remains the gold standard for malaria diagnosis; however, this process is labor-intensive, time-consuming, and highly dependent on skilled microscopists, limiting its applicability in resource-constrained settings. This study systematically addresses three key challenges in automated trophozoite detection: severe class imbalance between trophozoites and White Blood Cells (WBCs), the subtle and low-contrast visual characteristics of early-stage parasites, and the multi-scale nature of microscopic imagery. To overcome these challenges, a rigorous methodology was adopted that integrates data-centric augmentation strategies, architectural enhancements using attention mechanisms, and inference-level optimization techniques. A comprehensive evaluation of data-level and model-level approaches was conducted using YOLOv11 for malaria parasite detection in microscopic blood smear images. The primary contribution of this work lies in a systematic investigation of class-specific copy-paste augmentation combined with geometric transformations to mitigate class imbalance and enhance small-object detection. Extensive ablation studies demonstrate that copy-paste augmentation significantly outperforms conventional augmentation methods, achieving an 11% improvement in trophozoite recall compared to the baseline. The order of augmentation operations was shown to be critical, and a triple-augmentation strategy combining copy-paste with horizontal and vertical flips established a robust baseline, resulting in strong overall detection performance and improved trophozoite-specific metrics. At the architectural level, integrating the Convolutional Block Attention Module (CBAM) into YOLOv11 enhanced the model's ability to emphasize fine-grained parasitic features in low-contrast microscopic images, leading to improved diagnostic sensitivity despite a slight reduction in precision. In contrast, post-processing using Slicing Aided Hyper Inference (SAHI) proved unsuitable, as it increased false positives without improving true detections. Overall, the findings highlight that intelligent dataset-level interventions offer more reliable and scalable improvements than increased architectural complexity, supporting the development of accurate and deployable automated malaria diagnostic systems.
Benzer Tezler
- Enhancing UCAV operations with AI-driven point cloud semantic segmentation for precision gimbal targeting in defense industry
Savunma sanayiinde hassas gimbal hedefleme için yapay zeka tabanlı nokta bulutu semantik segmentasyon yaklaşımlarıyla S/İHA operasyonlarının iyileştirilmesi
SALİH BOZKURT
Doktora
İngilizce
2024
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Geleneksel üretim sistemlerinden tam zamanında üretim sistemine dönüşümünün tasarlanmasında simülasyon yaklaşımı
Başlık çevirisi yok
TİJEN ERTAY
- Privacy and security enhancements of federated learning
Federe öğrenme uygulamalarında mahremiyet ve güvenlik geliştirmeleri
ŞÜKRÜ ERDAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
DR. FERHAT KARAKOÇ
- An experimental study on the behavior of square short concrete columns confined with hybrid frpunder monotonic axial compression stress
Monotonik eksenel basınç yüklemesi altında hibrit liflipolimer malzeme ile sargılanmış kare beton kolonların davranışı üzerine deneysel bir çalışma
BILAL IBRAHIM MAJEED AL-OUBAIDI
Yüksek Lisans
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEDİNE İSPİR ARSLAN
- İstanbul raylı sistemlerde memnuniyet seviyesini anketle belirleme çalışması
A study to determine the level of satisfaction in Istanbul rail systems through a survey
SERGEN KESKİN
Yüksek Lisans
Türkçe
2025
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜBEYDE ÖZTÜRK