YOLOV9 İLE KAN HÜCRELERİNİN OTOMATİK TANIMLANMASI: OPTİMİZASYON VE ÖĞRENME ORANI ETKİLERİ

Abstract

Kanda yer alan kan hücrelerinin mikroskobik incelenmesi zaman alıcı, pahalı ve hataya açık bir iştir. Bu çalışmanın amacı, kan hücresi görüntülerini kullanarak kan hücresi tiplerinin sınıflandırılması için YOLO mimarisini kullanan otomatik bir sistem geliştirmektir. Çalışmada kullanılan BCDD veri seti, 364 kan hücresi görüntüsü ve 4888 etiketli görüntüden oluşmaktadır. Açık kaynaklı BCCD veri seti, kırmızı kan hücrelerini (RBC'ler), beyaz kan hücrelerini (WBC'ler) ve trombositleri içerir. Geliştirilen senaryoda YOLOv9 mimarisi, farklı optimizasyon algoritmaları, öğrenme oranları kullanılarak hiperparametrelerin tanımlama sürecindeki etkisi gözlemlendi. Tanımlama sonuçlarını karşılaştırırken en iyi sonuca, 0,001 öğrenme oranıyla ADAMW optimizasyon algoritması kullanılarak ulaşıldı. Genel olarak kan hücresi tiplerinin sınıflandırılmasında WBC tanımlamasında 1,0'a yakın sonuç elde edildi. Daha sonra RBC tanımlaması yaklaşık olarak 0,93 doğrulukla elde edilirken trombositler 0,96 doğrulukla tanımlandı. Bu sonuçlar, önerilen sistemin kan hücresi tanımlamasının manuel sürecini otomatikleştirmeye yönelik etkili bir araç olarak kullanılabileceğini göstermektedir.