Abstract
Periferik kan hücrelerinin sınıflandırılması anemi ve lösemi gibi birçok kan hastalığının teşhisinde önemli rol oynamaktadır. Bu nedenle, doğru kan hücresi sınıflandırması hastalığın teşhisinde klinik olarak oldukça önemlidir. Son yıllarda, derin öğrenme, özellikle Evrişimsel sinir ağları, güçlü kendi kendine öğrenme yetenekleri sayesinde tıp alanında sıklıkla kullanılmaktadır. Bu çalışmada, kan hücre sınıflandırması için hesaplama maliyetini ve parametre sayısını azaltan derinlemesine ayrılabilir evrişim ile Inception modülünden oluşan yeni bir hibrit yöntem geliştirilmiştir. Bu yöntem, parametre sayısını ve hesaplama maliyetini azaltıp sınıflandırma doğruluğunu arttırmasıyla, standart evrişimsel sinir ağlarına göre bir avantaj sağlamaktadır. Geliştirilen yöntemin performansını test etmek için 8 sınıflı bir kan hücresi veri seti üzerinde yapılan deneysel çalışmalar sonucunda %98.89 doğruluk, %98.88 kesinlik, %98.85 duyarlılık, %98.86 F1-skoru elde edilmiştir. Literatürdeki çalışmalar ile karşılaştırıldığında yöntemimizin etkili olduğu görülmektedir.
Publisher
Bandirma Onyedi Eylul University
Subject
General Medicine,General Chemistry