LÖKOSİT HÜCRELERİNİN PREPARAT GÖRÜNTÜSÜNDEN TESPİTİ VE SINIFLANDIRILMASI

Ömer KASIM, Ahmet Emin KUZUCUOĞLU
2.062 931

Öz


Kan yapısının analiziyle hastalıkların teşhisinin konulması işlemi, mikroskop yardımıyla morfolojik incelemeye dayanır. Hematoloji uzmanları, preparatta bulunan lökosit hücrelerinin yapısını ve sayısını inceleyerek morfolojik incelemeyi gerçekleştirirler. Bu işlemler yoğun bir tempoda, boyama ve ışıklandırma için ayrı bir çaba sarf etmeksizin yapılmaktadır. Böyle bir durumda hem gözden kaçabilecek bilgiler hem de uzmanın harcadığı zaman hayati öneme sahiptir. Bu sıkıntıları telafi etmek amacıyla geliştirilen algoritmayla, çok kaliteli hazırlanmamış preparat görüntüsünde bile lökosit hücrelerinin analizi yapılmaktadır. Böylelikle uzmana daha temiz ve net görüntüler sunularak zaman kaybı ve gözden kaçırma ile oluşabilecek hatalar en aza indirgenebilir. Diğer taraftan ülkemizdeki uzman sayısının yetersiz olması sebebiyle uzmanın olmadığı sağlık kuruluşlarındaki geliştirilen bu programla yapılan incelemelerde, hastalık belirtisi gösteren lökosit hücreleri tespit edilerek gerekli yönlendirmeler yapılır. Bu işlemler bütününü sağlamak için görüntü, Otsu yöntemi ile dinamiklik katılan Parçalı Lineer Filtre ile zenginleştirilerek lökosit hücre alanları daha belirgin hale getirilmiştir. Sonrasında K-Ortalamalarla desteklenen Markov Rastsal Alanları ve Beklenti Enbüyükleme yöntemini içeren uzamsal yapıya sahip hibrit yapıyla lökosit hücre alanları bölütlenmiştir. Böylece farklı boyama kalitesi ve ışıklandırmadan kaynaklanan sıkıntılar en aza indirgenmiştir. Bölütlemeyle elde edilen lökosit alanları üzerinden öznitelik çıkarımıyla hücreye ait 34 farklı bilgiyi içeren öznitelik vektörü oluşturulmuştur. Gini analiziyle bu vektörün eleman sayısı 11’e düşürülmüştür. Bu çalışmada geliştirilen Cnt ve Sc Faktörlerle yapılan Gini analizinde bu sayı azalarak 5’e düşmüş ve 5 farklı lökosit hücresi olasılıksal yapay sinir ağlarıyla daha hızlı sınıflandırılmıştır. Sınıflandırma başarısı, test amacıyla ayrılan veri setinde %91,65 olarak ölçülmüştür. Sonuçlar, bu alanda çalışma yapan uzmanlara ve uzmanın olmadığı ortamlarda gerekli yönlendirmelerin yapılmasına olanak sağlayacak niteliktedir.


Anahtar kelimeler


Lökosit hücreleri, otsu metodu, parçalı lineer filtre, k-ortalamalar metodu, markov rastsal alan, beklenti enbüyükleme metodu, öznitelik çıkarımı, olasılıksal yapay sinir ağları, sınıflandırma

Tam metin:

PDF


DOI: http://dx.doi.org/10.17341/gummfd.10332

Referanslar


Barth D., Hirschmann J.V., Anemia: In: Wintrobe’s Atlas of Clinical Hemathology, Wolters Kluwer-Lippincott Williams & Wilkins, Philadelphia, PA., 2007.

Glassy E.F., Color Atlas Of Hematology. An Illustrated Field Guide Based on Proficiency Testing, College of American Pathologists, IL, Northfield,1998.

Kasım Ö., Kuzucuoğlu A.E., Identification of Blood Cell Using Matlab Tools, Master Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü 2008.

Harousseau J. L., Flandrin G., Tricot G., Brouet J.C., Bernard M,” Malignant Lymphoma Supervening In Chronic Lymphocytic Leukemia And Related Disorders. Richter's Syndrome: A Study of 25 Cases”, Cancer, Cilt 48, 1302-1308, 1981.

Ramoser H., Laurain V., Bischof H., Ecker R., “Leukocyte Segmentation And Classification In Blood-Smear Images”, 27th Annual International Conference of the Engineering in Medicine and Biology Society, 3371–3374, 2005.

Jiang K., Liao Q.-M., Dai S.Y., “A Novel White Blood Cell Segmentation Scheme Using Scale-Space Filtering And Watershed Clustering”, Proc. Intern. Conf. on Machine Learning and Cybernetics, Cilt 5, 2820–2825, 2003.

Ningning G., Zeng L., Wu Q. “A Method Based On Multispectral Imaging Technique For White Blood Cell Segmentation”, Computers in Biology and Medicine, Cilt 37, 70-76, 2006.

Lezoray O., Cardot H., “Cooperation of Color Pixel Classification Schemes and Color Watershed: A Study For Microscopic Images”, IEEE Transaction on Image Processing, Cilt 11, No 7, 783–789, 2002.

D’Elia C., Poggi G., Scarpa G., “A Tree-Structured Markov Random Field Model for Bayesian Image Segmentation”, IEEE Transactions On Image Processing, Cilt 12, No 10, 1259-1273, 2003.

Ruberto C., Dempster A., Khan S., Jarra B., "Analysis Of Blood Cell Images Using Morphological Operators," Image and Vision Computing., Cilt 20, No 2, 133- 146, 2002.

Liano,Q., Deng Y., "An Accurate Segmentation Method for White Blood Cell Images", Biomedical Imaging, 245-248, 2002.

Scotti F.,” Automatic Morphological Analysis for Acute Leukemia Identification in Peripheral Blood Microscope Images”, IEEE International Conference on Computational Intelligence for Measurement Systems and Applications, 20-22, 2005.

Bergen T.,Steckhan D., Wittenberg T., ”Segmentation of Leukocytes And Erythrocytes In Blood Smear Images”, 30th Annual International IEEE EMBS Conference, 3075-3078, 2008.

Yang-Mao S., Chan Y., Chu Y., “Edge Enhancement Nucleus and Cytoplast Contour Detector of Cervical Smear Images”, Systems, Manufacturing and Cybernetics, Part B: Cybernetics, IEEE Transactions, Cilt 38, No 2, 353–366, 2008.

Mayumi D., Sabino U., Costa L., Rizzatti E., Zago M., “A Texture Approach to Leukocyte Recognition”, Real-Time Imaging, Cilt 10, No 4, 205–216, 2004.

Khashman A. “Blood Cell Identification Using Emotional Neural Networks”, Journal of Information Science And Engineering, Cilt 25, No 6, 1737-1751, 2009

Kasım Ö., Kuzucuoğlu A.E,, “Identification of Diseased Leukocytes Cells From Blood Smear”, 21st International Conference on Signal Processing Systems, 1-4, 2013.

Ko B.C., Gim J.W., Nam J. “Automatic White Blood Cell Segmentation Using Stepwise Merging Rules And Gradient Vector Flow Snake”, Micron, Cilt 42, No 7, 695–705, 2011

Utah University Hematopathology Index, “http://library.med.utah.edu/WebPath/HEMEHTML/HEMEIDX.html”, (E.T.:29.01.2014)

Specht D.F., "Probabilistic Neural Networks", Neural Networks, Cilt 3, No 1, 109 -118, 1990

Otsu N., “A Threshold Selection Method from Gray-Level Histogram”, IEEE Transaction on Systems, Manufacturing and Cybernetic, Cilt 9, No 1, 62-66, 1977.

Ravindraiah R. “Qualitative Evaluation of Enhancement Methods For Analysis Of Acute Leukemia Images”, International Journal on Intelligent Electronic Systems, Cilt 5, No 2, 6447-6452, 2011.

Rezatofighia S., Zadeh H. “Automatic Recognition of Five Types of White Blood Cells in Peripheral Blood”, Computerized Medical Imaging and Graphics, Cilt 35, No 4, 333–343, 2011.




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.