Affiliation:
1. KÜTAHYA DUMLUPINAR ÜNİVERSİTESİ
2. BEZM-İ ÂLEM VAKIF ÜNİVERSİTESİ
Abstract
Mikroskobik idrar içerikleri doğru ve dikkatli bir şekilde analiz edildiğinde vücut hakkında önemli bilgiler
verir. İdrar tahlilinin insan sağlığı için önemi nedeniyle mikroskobik idrar içeriklerinin tespit edilmesi
amacıyla derin öğrenme görüntü işleme tekniği kullanılarak yapay zeka uygulamaları yapılmıştır.
Literatürde yer alan çalışmaların çoğunda genel olarak semantik segmentasyon üzerine yoğunlaşılmıştır.
Bu çalışmada ise piksel düzeyinde segmentasyon yapabilen Mask R-CNN modeli ile mikroskobik idrar
görüntülerindeki alyuvar, akyuvar, epitel, kristal, bakteri ve mantar içerikleri konum ve nesne türü
bilgisiyle birlikte tespit edilmiştir. Mask R-CNN ile tespit edilen nesnelere maske ve çerçeve olmak üzere
iki tip sınır çizilmektedir. Sistemin performansı her iki sınır tipi için ayrı ayrı incelenmiştir. Test için
kullanılan 100 görüntüdeki toplam 1154 örüntüden maskelere göre 808 ve çerçevelere göre 843 nesne
doğru şekilde tespit edilmiştir (IoU=0,5). En iyi tespit oranı akyuvarlar ve alyuvarlar için gerçekleşmiştir.
Epiteller çerçevelere göre hesaplamada başarılı bir şekilde tespit edilmiştir fakat düzgün maske
oluşturulamamıştır. Bakteriler diğerlerine göre çok küçük olduğu için doğru tespit oranı düşük kalmıştır.
Kristallerin ve mantarların çoğu doğru şekilde tespit edilmiştir. Ayrıca, nesne tespitinde sıklıkla kullanılan
değerlendirme metriği mAP de hesaplanmıştır. Sistem için hesaplanan mAP değerleri maskelere göre
0,7842 ve çerçevelere göre 0,8343 olmuştur. Mask R-CNN sistemi iyi bir şekilde optimize edilip daha
fazla idrar içeriğine ait görüntülerle eğitilmesi durumunda idrar analiz sistemlerinde kullanılabilir.
Publisher
Afyon Kocatepe Universitesi Fen Ve Muhendislik Bilimleri Dergisi
Reference36 articles.
1. Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L., 2009. Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248-255). IEEE.
2. Flach, P., & Kull, M., 2015. Precision-recall-gain curves: PR analysis done right. Advances in Neural Information Processing Systems, 28(1), 838-846.
3. Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V., & Garcia-Rodriguez, J., 2017. A review on deep learning techniques applied to semantic segmentation. arXiv preprint arXiv:1704.06857.
4. Girshick, R., Donahue, J., Darrell, T., & Malik, J., 2014. Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 580-587). IEEE.
5. Girshick, R., 2015. Fast r-cnn. In IEEE International Conference on Computer Vision (pp. 1440-1448). IEEE.