PERİFERİK YAYMADA GÖRÜNTÜ İYİLEŞTİRME TEKNİKLERİ KULLANARAK SONUÇLARIN DERİN ÖĞRENME TABANLI ANALİZİ VE SINIFLANDIRILMASI

Abstract

Bu tez çalışmasında, periferik yayma görüntülerine uygulanan görüntü iyileştirme tekniklerinin sınıflandırma başarımı üzerindeki etkisi kapsamlı biçimde analiz edilmiş; elde edilen bulgular, derin öğrenme temelli hibrit bir model çerçevesinde değerlendirilmiştir. Tezin temel amacı, mikroskobik görüntülerde tanısal doğruluğu artırmak üzere, görsel kaliteyi yükselten ön işleme adımlarının yanı sıra dikkat mekanizmaları ve dokusal özniteliklerin birlikte kullanıldığı, bütüncül bir derin öğrenme modeli geliştirmektir. Bu doğrultuda, önerilen ESA modeli hem öznitelik seviyesinde zenginlik sağlayan hem de karar seviyesinde yüksek güvenilirlik sunan bir mimari olarak tasarlanmıştır. Çalışmanın ilk aşamasında, transfer öğrenme yaklaşımı ile 19 farklı önceden eğitilmiş ESA mimarisi test edilmiştir. Başlangıç doğruluğu düşük olsa da yapısal sadeliği, modülerliği ve geliştirilebilirliği nedeniyle VGG16, deneysel süreçlerin temeli olarak seçilmiştir. Benzer şekilde, üç farklı açık kaynak beyaz kan hücreleri veri seti değerlendirilmiş ve "PBC Dataset Normal DIB" sınıf dengesi, görüntü kalitesi ve çeşitlilik açısından en uygun veri seti olarak tercih edilmiştir. Hipotez olarak, görüntü verilerinin iyileştirilmesi, aydınlatma seviyesinin optimize edilmesi, dikkat modülü entegrasyonu, dokusal bilginin modele dahil edilmesinin ve ensemble yapıların, sınıflandırma başarımını hem bağımsız hem de birlikte anlamlı düzeyde artıracağı öngörülmüştür. Bu kapsamda VGG16 ile -80 ile +80 arasında tanımlanan dokuz farklı ışık düzeyiyle model eğitilmiş; karşılaştırmalar sonucunda +40 seviyesi, orijinal görüntülere kıyasla en yüksek doğruluğu sağlamıştır. İzleyen aşamada, VGG16 modeline CBAM (Convolutional Block Attention Module) entegre edilerek ağın anlamlı bölgelere odaklanma yeteneği artırılmış; GLCM ve LBP tabanlı dokusal öznitelikler çıkarılarak modele çok boyutlu bilgi katkısı sağlanmıştır. Ardından, farklı yapısal özelliklere sahip üç tamamlayıcı mimari, MobileNetV2 (hafif ve hızlı), ResNet50 (derin ve güçlü), EfficientNet-B0 (verimli ve dengeli) bir araya getirilerek ensemble yapı oluşturulmuştur. Tüm bu katkıların birleşimiyle geliştirilen nihai ESA modeli, %99,82 doğruluk ile yüksek performans sergilemiş ve k-fold çapraz doğrulama ile modelin genellenebilirliği ve kararlılığı istatistiksel olarak doğrulanmıştır.In this thesis, the impact of image enhancement techniques applied to peripheral blood smear images on classification performance was comprehensively analyzed, and the obtained findings were evaluated within the framework of a deep learning-based hybrid model. The primary objective of the study is to develop a holistic deep learning architecture that enhances diagnostic accuracy in microscopic images by integrating preprocessing steps that improve visual quality, attention mechanisms, and texture-based feature extraction. In line with this, the proposed CNN model was designed to provide both rich feature-level representation and high decision-level reliability. In the initial phase, transfer learning was applied using 19 different pre-trained CNN architectures. Although VGG16 yielded relatively lower initial accuracy, it was chosen as the core model for the experimental process due to its structural simplicity, modularity, and high potential for enhancement. Likewise, three publicly available white blood cell datasets were evaluated, and "PBC Dataset Normal DIB" was selected based on class balance, image quality, and diversity. The hypothesis posits that image enhancement, optimized illumination levels, attention module integration, texture feature extraction, and ensemble architectures would each individually and in combination significantly improve classification performance. Accordingly, the VGG16 model was trained under nine different brightness levels ranging from -80 to +80, and +40 illumination was found to yield the best performance compared to original images. Subsequently, CBAM (Convolutional Block Attention Module) was integrated into the VGG16 model to enhance attention to relevant image regions, while GLCM and LBP-based texture features were extracted to provide multidimensional input representation. Three complementary CNNs, MobileNetV2 (lightweight and fast), ResNet50 (deep and robust), and EfficientNet-B0 (balanced and efficient) were fused into an ensemble architecture. The resulting ESA model achieved 99.82% classification accuracy, and its generalizability and stability were statistically validated using k-fold cross-validation.