ViT, DeiT ve Swin tabanlı hibrit derin öğrenme modeli ile beyaz kan hücresi görüntülerinin sınıflandırma performansının değerlendirilmesi
Evaluating the classification performance of a ViT, DeiT and Swin-based hybrid deep learning model for white blood cell images
- Tez No: 955723
- Danışmanlar: DR. ÖĞR. ÜYESİ ALPASLAN KOÇ
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Biyoteknoloji, Mühendislik Bilimleri, Bioengineering, Biotechnology, Engineering Sciences
- Anahtar Kelimeler: Evrişimli sinir ağları, Kan hücreleri, Makine öğrenmesi yöntemleri, Convolutional neural networks, Blood cells, Machine learning methods
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beyaz kan hücreleri (WBC), bağışıklık sisteminin temel bileşenlerinden biri olup yabancı maddelere ve hastalıklara karşı korumada kritik rol oynamaktadır. WBC sınıflandırması, özellikle hematolojik hastalıkların erken teşhisi ve doğru tedavi sürecinin belirlenmesi açısından büyük önem taşımaktadır. Ancak WBC görüntülerinin manuel olarak sınıflandırılması zaman alıcı olmakta ve uzmanlar arasında değişken sonuçlara yol açabilmektedir. Bu probleme karşı, derin öğrenme tabanlı görüntü sınıflandırma yöntemleri yaygın olarak kullanılabilmektedir. Son zamanlarda, bu alanda dikkat mekanizması sayesinde daha etkin özellik çıkarımı sağlayan transformer mimarilerinin kullanımı artmıştır. Çalışmamızda, beyaz kan hücrelerinin sınıflandırılma performansını artırmak amacıyla farklı transformer mimarilerinin güçlü yönlerini bir araya getiren bir topluluk modeli geliştirilmiştir. Geliştirilen model, Raabin-WBC, Lökosit Görüntüleri için Bölütleme ve Sınıflandırma (LISC) ve Periferik Kan Hücresi (PBC) veri setleri üzerinde eğitilmiş ve test edilmiştir. Veri dengesizliğini azaltmak amacıyla yalnızca Raabin-WBC veri setinde Derin Evrişimli Üretici Çekişmeli Ağ (DCGAN) tabanlı sentetik görüntü üretimi yapılmıştır. Tüm veri setlerindeki görüntülere, kontrast sınırlamalı uyarlanabilir histogram eşitleme (CLAHE) ile ön işlem uygulanmıştır. Dönüştürücü (Transformer) tabanlı görsel dönüştürücü (ViT), veri verimli görsel dönüştürücü (DeiT) ve kaydırılmış pencere dönüştürücü (Swin) modelleri bir araya getirilerek topluluk (ensemble) modeli oluşturulmuştur. Geliştirilen bu topluluk modeli; CNN, ResNet50, InceptionV3, VGG19 ve DenseNet121 gibi yaygın evrişimli sinir modeli (CNN) mimarileriyle karşılaştırılmıştır. Sınıflandırma sonuçları Puan Ağırlıklı Sınıf Etkinleştirme Eşlemesi (Score-CAM) yöntemiyle görsel olarak analiz edilmiştir. Geliştirilen topluluk modeli dört farklı veri setinde de üstün performans sergilemiştir. Model, Raabin veri setinde %99,83 doğruluk; dengelenmiş Raabin veri setinde %99,60 doğruluk; LISC veri setinde %99,81 doğruluk; PBC veri setinde ise %99,84 doğruluk ile literatüre göre en yüksek sınıflandırma başarısını ortaya koymuştur. Elde edilen bulgular ile transformer tabanlı topluluk modelinin hem doğruluk hem de genelleme açısından klasik CNN modellerine kıyasla üstün performans sergilediği gözlemlenmiştir.
Özet (Çeviri)
White blood cells (WBCs) are essential components of the immune system, playing a critical role in defending the body against pathogens and diseases. Accurate classification of WBCs is particularly important for the early diagnosis of hematological disorders and for guiding effective treatment planning. However, manual classification of WBC images is both time-consuming and prone to inter-observer variability. To address this challenge, deep learning-based image classification approaches have become increasingly prevalent. In recent years, the use of transformer architectures, capable of extracting more effective features through attention mechanisms, has gained popularity in this domain. In this study, we developed a novel ensemble model that integrates the strengths of multiple transformer architectures to enhance WBC classification performance. The proposed model was trained and evaluated on three publicly available datasets: Raabin-WBC, Leukocyte Images for Segmentation and Classification (LISC), and Peripheral Blood Cells (PBC). To mitigate class imbalance, synthetic images were generated using a Deep Convolutional Generative Adversarial Network (DCGAN) solely for the Raabin-WBC dataset. Additionally, all dataset images were preprocessed using Contrast Limited Adaptive Histogram Equalization (CLAHE) to enhance contrast and highlight relevant cellular structures. The ensemble model combines three state-of-the-art transformer-based architectures: Vision Transformer (ViT), Data-efficient Image Transformer (DeiT), and Swin Transformer. Its classification performance was benchmarked against several widely-used convolutional neural networks (CNNs), including ResNet50, InceptionV3, VGG19, and DenseNet121. Furthermore, the classification results were interpreted visually using the Score-CAM technique to highlight the regions that contributed most to the model's decisions. Our model demonstrated superior performance across all datasets. It achieved classification accuracies of 99.83% on the original Raabin dataset, 99.60% on the balanced Raabin dataset, 99.81% on the LISC dataset, and 99.84% on the PBC dataset—surpassing previously reported results in the literature. These findings suggest that the proposed transformer-based ensemble model offers significant improvements in both accuracy and generalization over traditional CNN based approaches.
Benzer Tezler
- Ankara Üniversitesi'nde spor yapan öğrencilerin beslenme durumları ve fiziki performansları üzerinde bir araştırma
A Research on the nutritional status and physical performance of the students who were active in sports at the University of Ankara
BÜLENT ASMA
- Trombositlerin glukoz utilizasyonu üzerine aspirin, persantin ve indobufenin etkisinin araştırılması
Başlık çevirisi yok
EMİNE YAZGAN
Yüksek Lisans
Türkçe
1987
BiyokimyaUludağ ÜniversitesiFizyoloji Ana Bilim Dalı
YRD. DOÇ. DR. KASIM ÖZLÜK
- Kaynak bölgesindeki sıcaklık dağılım ve değişimine ısıl özeliklerin, gizli ergime ısısının ve elektrod çapının etkisi
Başlık çevirisi yok
RECEP KILIK
- Linyitlerin ısıl hidrojenasyon yöntemi ile koklaşma niteliklerinin geliştirilmesi
Başlık çevirisi yok
LEVENT ARTOK
Yüksek Lisans
Türkçe
1988
Kimya MühendisliğiÇukurova ÜniversitesiKimya Ana Bilim Dalı
DOÇ. DR. GAYE ERBATUR
- Nevşehir-Arafa linyitinin koklaştırılması
Başlık çevirisi yok
HÜLYA TETİK
Yüksek Lisans
Türkçe
1988
Kimya MühendisliğiSelçuk ÜniversitesiKimya Ana Bilim Dalı
DOÇ. DR. RAMAZAN MİRZAOĞLU