Orak Hücre Tespiti için Hibrit Görüntü İyileştirme Tabanlı Sağlam ve Açıklanabilir Bir Derin Öğrenme Yaklaşımı

Abstract

Bu çalışmada, mikroskobik periferik kan yayma görüntülerinde orak hücre hastalığıyla ilişkili morfolojik özelliklerin otomatik olarak tespit edilmesi için, görüntü iyileştirme ve açıklanabilir derin öğrenmeyi birleştiren bir çerçeve önerilmiştir. Deney veri kümesi 991 görüntüden oluşmakta ve belirgin bir sınıf dengesizliği sergilemektedir. Bu sınırlamayı gidermek amacıyla, sistematik olarak yinelenen ve benzer verilerin temizlenmesi yoluyla veri bütünlüğü güçlendirilmiş, ardından sızıntıya karşı güvenli bir veri bölme stratejisi uygulanmıştır. Kontrast, aydınlatma ve boyama koşullarındaki farklılıkları azaltmak için ön işleme stratejileri kapsamlı bir şekilde değerlendirilmiş ve özellikle kontrollü kontrast geliştirme yaklaşımına ağırlık verilmiştir. Buna paralel olarak, veri artırma ablasyon deneyleri, üç aşamalı dinamik öğrenme stratejisi, doğrulama tabanlı eşik optimizasyonu, ilgi alanı maskeleme ve ağırlıklı topluluk teknikleri dahil olmak üzere çok sayıda metodolojik bileşen sistematik olarak incelenmiştir. Model performansı, ROC-AUC, doğruluk, duyarlılık, özgüllük ve F1 skoru dahil olmak üzere standart değerlendirme metrikleri kullanılarak değerlendirilmiş ve Grad-CAM tabanlı açıklanabilirlik ve kantitatif dikkat analizi yoluyla daha ayrıntılı olarak analiz edilmiştir. Sonuçlar, kontrollü kontrast geliştirmenin ayırt edici performansı önemli ölçüde iyileştirdiğini göstermektedir; ancak, uygun bir çalışma noktasının seçimi klinik önceliklere bağlı olmaya devam etmektedir. Genel olarak, önerilen çerçeve, mikroskobik görüntülerin ikili sınıflandırması için daha sağlam ve klinik olarak yorumlanabilir bir karar destek süreci sunmakta ve biyomedikal görüntü analizinde veri sızıntısının önlenmesi, hata dağılımı analizi ve açıklanabilirliğin önemini vurgulamaktadır.