DETECTION AND CLASSIFICATION OF LEUKOCYTE CELLS FROM SMEAR IMAGE

Öz

Diagnosis of diseases which are related to disorders of the leukocyte’s structure is based on morphological examination methods. At the end of this examination, leukocyte’s numbers, disorders and types of them are determined by hematology specialists without an intense pace for staining and lighting effort. Therefore, this process causes the loss of the vital information and time. The algorithm which is proposed in this study can support the specialists to examine the not well stained smear easily. Thus, specialists and proposed algorithm can observe the cells’ structure on a clear image and classify them into five categories without loss of information. In this manner, quick examination, loss of time, inadequate specialists and diagnosis problems can be solved by the
proposed algorithm. At first step of our algorithm, the leukocyte’s area is enriched with Otsu based dynamic Piecewise Linear Filtering Method. After that a hybrid spatial learning structure which is composed of K-Means, Markov Random Field and Maximization Expectation Method has been used to get Region of Interests. This hybrid method minimizes the quality of different staining and lighting problems. At analysis step, we obtained 34 different vector elements of each Region of Interests. The member of this vector is dropped to 11 by Gini Method. The Cnt Factor and Sc Factor which are proposed in this study decrease this number of feature set into 5. This also reduces the classification pace. Then, this vector is divided into 5 different classes with Probabilistic Neural Network. Classification performance of the allocated data set is measured as 91.66%. The obtained results can support the specialist and the proposed algorithm can give useful information about the smear if there isn’t any specialist. 

Anahtar Kelimeler

• Leukocyte cells
• otsu method
• pice-wise linear filter
• k-means method
• markov random field
• maximization expectation method
• feature extraction
• probabilistic neural networks
• classification

LÖKOSİT HÜCRELERİNİN PREPARAT GÖRÜNTÜSÜNDEN TESPİTİ VE SINIFLANDIRILMASI

Öz

Kan yapısının analiziyle hastalıkların teşhisinin konulması işlemi, mikroskop yardımıyla morfolojik incelemeye dayanır. Hematoloji uzmanları, preparatta bulunan lökosit hücrelerinin yapısını ve sayısını inceleyerek morfolojik incelemeyi gerçekleştirirler. Bu işlemler yoğun bir tempoda, boyama ve ışıklandırma için ayrı bir çaba sarf etmeksizin yapılmaktadır. Böyle bir durumda hem gözden kaçabilecek bilgiler hem de uzmanın harcadığı zaman hayati öneme sahiptir. Bu sıkıntıları telafi etmek amacıyla geliştirilen algoritmayla, çok kaliteli hazırlanmamış preparat görüntüsünde bile lökosit hücrelerinin analizi yapılmaktadır. Böylelikle uzmana daha temiz ve net görüntüler sunularak zaman kaybı ve gözden kaçırma ile oluşabilecek hatalar en aza indirgenebilir. Diğer taraftan ülkemizdeki uzman sayısının yetersiz olması sebebiyle uzmanın olmadığı sağlık kuruluşlarındaki geliştirilen bu programla yapılan incelemelerde, hastalık belirtisi gösteren lökosit hücreleri tespit edilerek gerekli yönlendirmeler yapılır. Bu işlemler bütününü sağlamak için görüntü, Otsu yöntemi ile dinamiklik katılan Parçalı Lineer Filtre ile zenginleştirilerek lökosit hücre alanları daha belirgin hale getirilmiştir. Sonrasında K-Ortalamalarla desteklenen Markov Rastsal Alanları ve Beklenti Enbüyükleme yöntemini içeren uzamsal yapıya sahip hibrit yapıyla lökosit hücre alanları bölütlenmiştir. Böylece farklı boyama kalitesi ve ışıklandırmadan kaynaklanan sıkıntılar en aza indirgenmiştir. Bölütlemeyle elde edilen lökosit alanları üzerinden öznitelik çıkarımıyla hücreye ait 34 farklı bilgiyi içeren öznitelik vektörü oluşturulmuştur. Gini analiziyle bu vektörün eleman sayısı 11’e düşürülmüştür. Bu çalışmada geliştirilen Cnt ve Sc Faktörlerle yapılan Gini analizinde bu sayı azalarak 5’e düşmüş ve 5 farklı lökosit hücresi olasılıksal yapay sinir ağlarıyla daha hızlı sınıflandırılmıştır. Sınıflandırma başarısı, test amacıyla ayrılan veri setinde %91,65 olarak ölçülmüştür. Sonuçlar, bu alanda çalışma yapan uzmanlara ve uzmanın olmadığı ortamlarda gerekli yönlendirmelerin yapılmasına olanak sağlayacak niteliktedir.

Anahtar Kelimeler

• Lökosit hücreleri
• otsu metodu
• parçalı lineer filtre
• k-ortalamalar metodu
• markov rastsal alan
• beklenti enbüyükleme metodu
• öznitelik çıkarımı
• olasılıksal yapay sinir ağları
• sınıflandırma

Kaynakça

1. Barth D., Hirschmann J.V., Anemia: In: Wintrobe’s Atlas of Clinical Hemathology, Wolters Kluwer-Lippincott Williams & Wilkins, Philadelphia, PA., 2007.
2. Glassy E.F., Color Atlas Of Hematology. An Illustrated Field Guide Based on Proficiency Testing, College of American Pathologists, IL, Northfield,1998.
3. Kasım Ö., Kuzucuoğlu A.E., Identification of Blood Cell Using Matlab Tools, Master Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü 2008.
4. Harousseau J. L., Flandrin G., Tricot G., Brouet J.C., Bernard M,” Malignant Lymphoma Supervening In Chronic Lymphocytic Leukemia And Related Disorders. Richter's Syndrome: A Study of 25 Cases”, Cancer, Cilt 48, 1302-1308, 1981.
5. Ramoser H., Laurain V., Bischof H., Ecker R., “Leukocyte Segmentation And Classification In Blood-Smear Images”, 27th Annual International Conference of the Engineering in Medicine and Biology Society, 3371–3374, 2005.
6. Jiang K., Liao Q.-M., Dai S.Y., “A Novel White Blood Cell Segmentation Scheme Using Scale-Space Filtering And Watershed Clustering”, Proc. Intern. Conf. on Machine Learning and Cybernetics, Cilt 5, 2820–2825, 2003.
7. Ningning G., Zeng L., Wu Q. “A Method Based On Multispectral Imaging Technique For White Blood Cell Segmentation”, Computers in Biology and Medicine, Cilt 37, 70-76, 2006.
8. Lezoray O., Cardot H., “Cooperation of Color Pixel Classification Schemes and Color Watershed: A Study For Microscopic Images”, IEEE Transaction on Image Processing, Cilt 11, No 7, 783–789, 2002.

9. D’Elia C., Poggi G., Scarpa G., “A Tree-Structured Markov Random Field Model for Bayesian Image Segmentation”, IEEE Transactions On Image Processing, Cilt 12, No 10, 1259-1273, 2003.
10. Ruberto C., Dempster A., Khan S., Jarra B., "Analysis Of Blood Cell Images Using Morphological Operators," Image and Vision Computing., Cilt 20, No 2, 133- 146, 2002.
11. Liano,Q., Deng Y., "An Accurate Segmentation Method for White Blood Cell Images", Biomedical Imaging, 245-248, 2002.
12. Scotti F.,” Automatic Morphological Analysis for Acute Leukemia Identification in Peripheral Blood Microscope Images”, IEEE International Conference on Computational Intelligence for Measurement Systems and Applications, 20-22, 2005.
13. Bergen T.,Steckhan D., Wittenberg T., ”Segmentation of Leukocytes And Erythrocytes In Blood Smear Images”, 30th Annual International IEEE EMBS Conference, 3075-3078, 2008.
14. Yang-Mao S., Chan Y., Chu Y., “Edge Enhancement Nucleus and Cytoplast Contour Detector of Cervical Smear Images”, Systems, Manufacturing and Cybernetics, Part B: Cybernetics, IEEE Transactions, Cilt 38, No 2, 353–366, 2008.
15. Mayumi D., Sabino U., Costa L., Rizzatti E., Zago M., “A Texture Approach to Leukocyte Recognition”, Real-Time Imaging, Cilt 10, No 4, 205–216, 2004.
16. Khashman A. “Blood Cell Identification Using Emotional Neural Networks”, Journal of Information Science And Engineering, Cilt 25, No 6, 1737-1751, 2009
17. Kasım Ö., Kuzucuoğlu A.E,, “Identification of Diseased Leukocytes Cells From Blood Smear”, 21st International Conference on Signal Processing Systems, 1-4, 2013.
18. Ko B.C., Gim J.W., Nam J. “Automatic White Blood Cell Segmentation Using Stepwise Merging Rules And Gradient Vector Flow Snake”, Micron, Cilt 42, No 7, 695–705, 2011
19. Utah University Hematopathology Index, “http://library.med.utah.edu/WebPath/HEMEHTML/HEMEIDX.html”, (E.T.:29.01.2014)
20. Specht D.F., "Probabilistic Neural Networks", Neural Networks, Cilt 3, No 1, 109 -118, 1990
21. Otsu N., “A Threshold Selection Method from Gray-Level Histogram”, IEEE Transaction on Systems, Manufacturing and Cybernetic, Cilt 9, No 1, 62-66, 1977.
22. Ravindraiah R. “Qualitative Evaluation of Enhancement Methods For Analysis Of Acute Leukemia Images”, International Journal on Intelligent Electronic Systems, Cilt 5, No 2, 6447-6452, 2011.
23. Rezatofighia S., Zadeh H. “Automatic Recognition of Five Types of White Blood Cells in Peripheral Blood”, Computerized Medical Imaging and Graphics, Cilt 35, No 4, 333–343, 2011.