Klasik Makine Öğrenmesi Yöntemleri Kullanılarak

Bu bölümde, 2004–2014 yılları arasında, ML yöntemleri kullanılarak gerçekleştirilen çalışmalardan bazılarını gözlemek mümkündür. Çalışmalar, analiz sırasında kullanılan yöntemler ve çalışma sonunda elde edilen kazanımlar açısından değerlendirilmiştir.

2004 yılında V. Piuri ve F. Scotti, hücrelerin morfolojik özelliklerini kullanarak özellik çıkarımı yapmışlar, sınıflandırma aşamasında ise k - En Yakın Komşu (KNN) ve ANN yöntemleri ile 113 görüntüden oluşan bir WBC veri seti üzerinde testler gerçekleştirmişlerdir. Çalışmalarının sonunda ANN yönteminin oldukça yüksek başarı değerine ulaştığını göstermişlerdir [44].

2005 yılında H. Ramoser vd. WBC’lerin tespiti ve sınıflandırılması adına tam otomatik bir model önermişlerdir. Görüntüler üzerinde çeşitli teknikler ile hücrelerin

segmentasyonunu gerçekleştiren yazarlar, görüntülerden elde ettikleri çıkarımları kullanarak, SVM ile sınıflandırma gerçekleştirmişlerdir. 1116 görüntü üzerinde %95 segmentasyon başarısı gözlemleyen yazarlar, sınıflandırma başarısının ise %75–%99 arasında değişen değerlere ulaştığını belirtmişlerdir [45].

N. Theera-Umpon yaptığı çalışmada Fuzzy C-means algoritması ve matematiksel morfoloji ile hücreleri segmente eden bir model önermiştir. Otomatik olarak segmentasyonu gerçekleştirilen hücreleri daha sonra ANN ile sınıflandıran yazar, eğitim verileri üzerindeki başarıyı %70,74 test verileri üzerindeki başarıyı ise %65,59 olarak rapor etmiştir [46].

2006 yılında S. Mrčić ve N. Jorgovanović WBC’lerin yüksek doğrulukla sınıflandırılabilmesi adına, sahip oldukları veri setindeki görüntüleri öncelikle RGB renk formatından gri seviyesine indirgemişler, daha sonra ise görüntülerdeki boyama prosedüründen kaynaklanan gürültüleri temizlemişlerdir. Threshold (eşikleme) yöntemi sayesinde hücrelerin belirginleşmesini sağlayan yazarlar, Gaussian kernel ile hücrelerin genel görüntüden ayrıştırılmasını sağlamışlardır. Elde edilen görüntülerde morfolojik analizler gerçekleştirerek elde edilen özellikler ile ANN eğiten yazarlar, sınıflandırma sonunda elde ettikleri başarı oranının %86’nın üzerinde olduğunu göstermişlerdir [47].

2010 yılında ise, J. M. Ramirez-Cortes vd. gerçekleştirdikleri çalışmada hücrelerin morfolojik özelliklerini kullanarak özellik vektörleri elde etmişlerdir. Daha sonra bu özellik vektörleri ile dört farklı sınıflandırıcı eğitmişlerdir: KNN, ANN, SVM ve MLP. Testler sonrasında en yüksek başarının MLP tarafından sağlandığını belirtmişlerdir (%87,6) [48].

E. Xie vd. hücrelerin segmente edilmesi adına Poisson kısmi diferansiyel denklemini kullanmışlardır. Daha sonra hücrelerin özelliklerini çıkaran araştırmacılar, yaptıkları sınıflandırmada %75,5 ve %98,48 arasında değişen doğruluk başarılarına ulaşmışlardır [49].

2011’de B. C. Ko vd. Gradient Vector Flow yöntemi ile tespitini gerçekleştirdikleri WBC hücrelerinin şekil, renk ve yapı gibi özelliklerini kullanarak 71 boyutlu bir özellik vektörü elde etmişlerdir. Eğittikleri Rastgele Orman (RF) sınıflandırıcısından elde ettikleri sonuçları Çok Kkatmanlı SVM ile kıyaslayan araştırmacılar, RF’nin bu konuda çok daha başarılı olduğunu göstermişlerdir [50].

S. H. Rezatofighi ve H. Soltanian-Zadeh periferik yayma görüntülerinde yer alan WBC’lerin tanınmasına yönelik yaptıkları çalışmanın birinci aşamasında hücrelerin Gram-Schmidt ortogonalizasyonu ile segmentasyonunu gerçekleştirmiş, sonraki aşamada ise morfolojik ve yapısal özelliklerini kullanarak özellik çıkarımı yapmışlardır. Son aşamada ise elde edilen özellik vektörlerini kullanarak önerilen yöntemin SVM ve ANN üzerindeki başarısını sorgulamışlardır. Çalışma sonunda SVM’nin daha iyi sonuçlar ürettiğini görmüşlerdir [51].

2012 yılında N. Ramesh vd. hücrelerin segmentasyonu için, hücrelerin renk ve morfolojik özellikleri kullanan bir yöntem önermişlerdir. Yöntemlerini 1938 görüntü üzerinde test eden yazarlar, bunlardan 1804 tanesini doğru bir şekilde ayrıştırabildiklerini belirtmişlerdir. Segmentasyon sonrasında elde ettikleri özellik çıkarımlarını kullanarak Linear Discriminant Analysis (Lineer Diskriminant Analiz) gerçekleştiren yazarlar %93,9 toplam doğruluğa ulaşmışlardır [52].

J. V. Stadelman ve I. N. Spiridonov çalışmalarında hücrelerin görüntüden ayrıştırılmasını sağlamak amacıyla, öncelikle örneklerin renk uzayını HSV (Hue, Saturation, Value)’ye çevirmişler, daha sonra, bir kenar tespit algoritması ve morfolojik işlemler ile özellik çıkarımı yapmışlardır. AdaBoost algoritması ile sınıflandırma yapan modelin %90 üzerinde başarı yakaladığını göstermişlerdir [53]. 2013 yılında M. D. Joshi vd. Akut Lösemi tespiti için kullanılabilecek bir model önermişlerdir, Hücre tespiti aşamasında Otsu otomatik eşikleme ve görüntü zenginleştirme yöntemlerini kullanmışlardır. Sınıflandırma aşamasında ise KNN kullanan yazarlar 108 veri üzerinde %93 doğruluk tespit etmişlerdir [54].

2014’te O. Sarrafzadeh vd. Fuzzy C-Means algoritmasını da içeren çeşitli tekniklerle hücrelerin çekirdeklerinin arkaplandan ayrıştırılmasını sağlamış, sonrasında, hücrelerin renk, geometrik ve yapısal özelliklerini barındıran bir vektör oluşturmuşlardır. Oluşturulan vektör ile dört farklı SVM eğitilmiş (her sınıf için bir SVM), modelin toplam başarısı %95,95 olarak ölçülmüştür [55].

S. Nazlibilek vd. hücrelerin otomatik olarak segmentasyonunu, sayılmasını, boyut tespitini ve sınıflandırmasını yapan bir model önermişlerdir. Segmentasyon işleminin akabinde, MLP kullanılarak sınıflandırma gerçekleştirmişlerdir. Temel Bileşenler Analizi (PCA) kullanılarak giriş sayısı azaltılmış vektör ile eğittikleri MLP’nin, PCA kullanılmadan eğitilen MLP’ye nazaran daha başarılı olduğunu göstermişlerdir [56]. Yine 2014 yılında, M.-C. Su vd. WBC’lerin sınıflandırılması adına kullanılabilecek yeni bir segmentasyon algoritması önermişlerdir. HSI (Hue, Saturation, Intensity) renk uzayına çevrilmiş görüntülerde ayırıcı bölgelerin tespitini yapan algoritma, bu bölgelerde morfolojik işlemler gerçekleştirmektedir. Segmentasyonu sağlanan hücrelerden geometrik, renk ve doku özellikleri çıkartılmıştır. Çalışma sonunda bu özellikler ile eğitilen MLP, 450 örnek üzerinde %99,11 doğruluğa ulaşmıştır [57].

ML yöntemleri kullanılarak gerçekleştirilen çalışmalar incelendiğinde gözlemlenebilecek ortak özellik, araştırmacıların verilerini öncelikle bir ön-işlem sürecinden geçirmiş olmalarıdır. Çalışmalar sonunda yüksek başarı oranları elde edilmiş olsa dahi, bu sürecin farklı özelliklere sahip veri setleri içinde tekrarlanması gerektiği unutulmamalıdır. Diğer yandan ön-işlem sürecinde yapılacak hataların da sınıflandırma başarısını direkt etkileyebileceği düşünüldüğünde, ön-işlem sürecine ihtiyaç duymadan medikal görüntülerin analizini gerçekleştirebilecek yöntemler bir adım öne çıkmaktadır.

Özelikle geçtiğimiz son on yılda oldukça fazla çalışılan bir konu olduğundan, literatürde DL yöntemleri ile WBC alt-tiplerinin sınıflandırılması konusunda gerçekleştirilmiş yayınlar görmek mümkündür.