KONVOLÜSYONEL SİNİR AĞI KULLANILARAK SITMA HASTALIĞI SINIFLANDIRILMASI

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:

CNN, ResNet50V2, sıtma hastalığı, sınıflandırma

PDF

___

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.
Zhang Z., Liu H., Meng Z., Chen J. Deep learning-based automatic recognition network of agricultural machinery images. Comput Electron Agric 2019; 166: 104978. Doi: https://doi.org/10.1016/j.compag.2019.104978.
Çetiner H. Yaprak Hastalıklarının Sınıflandırılabilmesi İçin Önceden Eğitilmiş Ağ Tabanlı Sinir Ağı Geliştirimi. Adıyaman Üniversitesi Mühendislik Bilim Derg 2021; 15: 442–56. Doi: 10.54365/adyumbd.988049.
Montalbo FJP., Alon AS. Empirical Analysis of a Fine-Tuned Deep Convolutional Model in Classifying and Detecting Malaria Parasites from Blood Smears. KSII Trans Internet Inf Syst 2021; 15(1): 147–65. Doi: 10.3837/tiis.2021.01.009.
Çetiner İ., Var AA., Çetiner H. Classification of KNOT defect types. 2014 22nd Signal Processing and Communications Applications Conference (SIU). IEEE; 2014. p. 1086–9.
Çetiner H. Classification of Apple Leaf Diseases Using The Proposed Convolution Neural Network Approach. J Eng Sci Des 2021; 9(4): 1130–40. Doi: 10.21923/jesd.980629.
Cetiner I., Var AA., Cetiner H. Classification of knot defect types using wavelets and KNN. Elektron Ir Elektrotechnika 2016; 22(6): 67–72.
Rahman A., Zunair H., Reme TR., Rahman MS., Mahdy MRC. A comparative analysis of deep learning architectures on high variation malaria parasite classification dataset. Tissue Cell 2021; 69(September 2020): 101473. Doi: 10.1016/j.tice.2020.101473.
Jaeger S. Malaria cell images dataset, National Institute of Health (NIH) 2020.
He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2016. p. 770–8.
Rameen I., Shahadat A., Mehreen M., Razzaq S., Asghar MA., Khan MJ. Leveraging Supervised Machine Learning Techniques for Identification of Malaria Cells using Blood Smears. 2021 International Conference on Digital Futures and Transformative Technologies (ICoDT2). IEEE; 2021. p. 1–6.