Derin Öğrenme ile Hücre Görüntülerinin Tespiti ve Sayımı

Abstract

Hücreler, canlılığın temel yapı birimleri olup, klinik ve akademik çalışmalarda büyük önem taşımaktadır. Hücre sayımı ise hastalıkların teşhisi ve takibinde kritik rol oynar. Hücre sayım yöntemleri, makineler ve insan gözü ile yapılan sayımlar olarak yer almaktadır. Ancak bu yöntemler maliyet, hata oranı ve zaman açısından dezavantajlara sahiptir. Bu nedenle literatürde yeni yöntemler geliştirilmektedir. Bu çalışmada, hücre görüntüleri içeren BBBC005 veri seti kullanılarak hücre tespiti ve sayımı gerçekleştirilmiştir. Çalışmanın ilk aşamasında hücre tespiti U-Net ve V-Net modelleri ayrı bir şekilde uygulanarak yapılmıştır. İki modelin sonuçları karşılaştırıldığında U-Net modelinden daha iyi sonuç alındığı görülmüştür. Elde edilen sonuçları daha da iyileştirmek adına U-Net mimarisi residual bloklar ile geliştirilmiştir ve literatüre katkı sağlanmıştır. Önerilen model olarak U-Net ve geliştirilmiş U-Net mimarisi bir arada kullanılarak bir topluluk mimarisi oluşturulmuştur. Çalışma sonucunda %96,15’lik bir doğruluk oranı elde edilmiştir. Çalışmanın ikinci kısmında scikit-image kütüphanesi ile hücre sayımı yapılmıştır. Bu aşamada model tarafından belirlenen her bir hücre scikit-image kütüphanesi ile tek tek etiketlenmiştir ve ayrı bir renk olacak şekilde işaretlenmiştir. Bu görsel sonuçlar, çalışmanın güvenilirliğini artırmıştır. Temel bir modelin geliştirilmesi, farklı iki modelin çıktılarının birlikte kullanılarak daha iyi bir sonuç alınması ile yapılan bu yenilikler, hücre tespiti ve sayımı alanında iyileştirmeler sunmakta ve literatüre katkı sağlamaktadır.