KONVOLÜSYONEL SİNİR AĞI KULLANILARAK SITMA HASTALIĞI SINIFLANDIRILMASI
Öz
Sıtma, sivrisinek ısırması sonucu oluşan bir hastalıktır. Sıtma hastalığını algılama, tanıma ve sınıflandırma gibi işlemler, Plasmodium parazitli hücrelerin mikroskobik olarak incelenmesine dayanmaktadır. Sıtma paraziti ile enfekte olmuş hücrelerin bilgisayar destekli olarak tanımlanması zorlu bir iştir. Bu zorlu işlemi kolaylaştırabilmek için son zamanlarda popüler hale gelen derin öğrenme yöntemleri ile kırmızı kan hücrelerinde sıtma parazitinin olup olmadığı tespit edilmeye çalışıldı. Bu hastalığın tanısını koyabilmek için gerçekleştirilen sınıflandırmada iki ayrı Konvolüsyonel Sinir Ağı (CNN) modeli geliştirilmiştir. Birinci modelde giriş katmanı olarak önceden eğitilmiş ResNet50V2 mimarisini temel alan derin öğrenme modeli verilmiştir. İkinci modelde ise 23 ağırlıklı katmandan oluşan yeni bir derin öğrenme modeli tasarlanmıştır. Önerilen modelleri eğitebilmek için toplam 27.558 ince kan hücresi görüntüsü kullanıldı. Önerilen modeller ile sıtma hastalığının sınıflandırılmasında %97.53 oranında doğruluk değerine ulaşılmıştır.
Anahtar Kelimeler
Kaynakça
- Rajaraman S., Jaeger S., Antani SK. Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ 2019; 7: e6977.
- Vijayalakshmi A., Rajesh Kanna B. Deep learning approach to detect malaria from microscopic images. Multimed Tools Appl 2020; 79(21–22): 15297–317. Doi: 10.1007/s11042-019-7162-y.
- Abubakar A., Ajuji M., Yahya IU. DeepFMD: Computational Analysis for Malaria Detection in Blood-Smear Images Using Deep-Learning Features. Appl Syst Innov 2021; 4(4): 82. Doi: 10.3390/asi4040082.
- Tangpukdee N., Duangdee C., Wilairatana P., Krudsood S. Malaria Diagnosis: A Brief Review. Korean J Parasitol 2009; 47(2): 93. Doi: 10.3347/kjp.2009.47.2.93.
- Singla N., Srivastava V. Deep learning enabled multi-wavelength spatial coherence microscope for the classification of malaria-infected stages with limited labelled data size. Opt Laser Technol 2020; 130(September 2019): 106335. Doi: 10.1016/j.optlastec.2020.106335.
- Rajaraman S., Antani SK., Poostchi M., Silamut K., Hossain MA., Maude RJ., Jaeger S., Thoma GR. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ 2018; 6: e4568.
- Irmak E. A Novel Implementation of Deep-Learning Approach on Malaria Parasite Detection from Thin Blood Cell Images. Electrica 2021; 21(2): 216–24. Doi: 10.5152/electrica.2020.21004.
- Gopakumar GP., Swetha M., Sai Siva G., Sai Subrahmanyam GRK. Convolutional neural network-based malaria diagnosis from focus stack of blood smear images acquired using custom-built slide scanner. J Biophotonics 2018; 11(3): e201700003. Doi: 10.1002/jbio.201700003.
- Maqsood A., Farid MS., Khan MH., Grzegorzek M. Deep Malaria Parasite Detection in Thin Blood Smear Microscopic Images. Appl Sci 2021; 11(5): 2284. Doi: 10.3390/app11052284.
- da Costa AZ., Figueroa HEH., Fracarolli JA. Computer vision based detection of external defects on tomatoes using deep learning. Biosyst Eng 2020; 190: 131–44. Doi: https://doi.org/10.1016/j.biosystemseng.2019.12.003.