CLASSİFİCATİON OF PERİPHERAL BLOOD CELL IMAGES WİTH PRE-TRAİNED DEEP LEARNİNG MODELS:A TRANSFER LEARNİNG APPROACH

Abstract

Periferik kan hücrelerinin doğru ve hızlı bir şekilde sınıflandırılması, hematolojik hastalıkların tanısında kritik bir öneme sahiptir. Geleneksel yöntemlerde bu süreç, uzman hekimlerin mikroskobik incelemesiyle gerçekleştirilmekte olup zaman alıcı olmasının yanı sıra gözlemciler arası değişkenliğe de açıktır. Bu çalışmada, periferik kan hücrelerinin otomatik sınıflandırılması amacıyla derin öğrenme tabanlı bir yaklaşım sunulmuştur. Çalışma kapsamında, periferik kan yaymalarından elde edilen ve sekiz farklı hücre tipini içeren Periferik Kan Hücresi (Peripheral Blood Cell, PBC) veri seti kullanılmıştır. Bu veri seti; nötrofil, eozinofil, bazofil, lenfosit, monosit, trombosit, olgunlaşmamış granülositler ve eritroblast gibi klinik açıdan önemli hücre sınıflarını kapsamaktadır. Görüntü sınıflandırma problemi, ImageNet gibi büyük ölçekli veri setleri üzerinde ön-eğitim almış derin evrişimli sinir ağları üzerine kurulu transfer öğrenme yöntemi ile ele alınmış ve farklı mimarilerin sınıflandırma performansları karşılaştırmalı olarak incelenmiştir. Eğitim sürecinde, hesaplama maliyetini düşürmek ve sınırlı veriyle daha verimli öğrenme sağlamak amacıyla yalnızca son sınıflandırıcı katmanlar yeniden eğitilmiştir. Bunun yanı sıra, döndürme, yatay/dikey çevirme ve parlaklık değişimi gibi çevrimiçi veri artırma teknikleri uygulanarak modelin genelleme yeteneği artırılmış ve eğitim verisine aşırı uyum riski azaltılmıştır. Modellerin performansı; doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC metrikleri kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Elde edilen bulgular, derin ve optimize edilmiş mimarilerin özellikle morfolojik olarak benzer hücre tiplerinin ayrımında daha yüksek başarı sağladığını göstermektedir. Çalışma sonuçları, geliştirilen yaklaşımın hematolojik tanı süreçlerinde uzmanlara hızlı, objektif ve güvenilir bir karar destek sistemi sunma potansiyeline sahip olduğunu ortaya koymakta; böylece klinik iş akışının hızlandırılmasına ve tanı tutarlılığının artırılmasına katkı sağlayabileceğini göstermektedir.

Accurate and rapid classification of peripheral blood cells is critically important in the diagnosis of hematological diseases. Traditional methods involve microscopic examination by specialist physicians, which is time-consuming and subject to inter-observer variability. This study presents a deep learning-based approach for the automated classification of peripheral blood cells. The study utilizes a Peripheral Blood Cell (PBC) dataset obtained from peripheral blood smears, encompassing eight different cell types: neutrophils, eosinophils, basophils, lymphocytes, monocytes, platelets, immature granulocytes, and erythroblasts – clinically significant cell classes. The image classification problem was addressed using a transfer learning method based on deep convolutional neural networks pre-trained on large-scale datasets such as ImageNet, and the classification performance of different architectures was comparatively examined. During the training process, only the final classifier layers were retrained to reduce computational costs and ensure more efficient learning with limited data. In addition, the generalization ability of the model was improved and the risk of overfitting to the training data was reduced by applying online data enhancement techniques such as rotation, horizontal/vertical flipping, and brightness adjustment. The performance of the models was comprehensively evaluated using accuracy, precision, sensitivity, F1 score, and ROC-AUC metrics. The findings show that deep and optimized architectures achieve higher success, especially in distinguishing morphologically similar cell types. The study results reveal that the developed approach has the potential to provide experts with a fast, objective, and reliable decision support system in hematological diagnostic processes; thus, it can contribute to accelerating clinical workflows and improving diagnostic consistency.