Mikroskobik kan yayma görüntülerinde orak hücre tespiti için hibrit görüntü iyileştirme ve açıklanabilir derin öğrenme yaklaşımı

Abstract

Orak hücreli hastalık (Sickle Cell Disease, SCD), eritrosit morfolojisinde oraklaşma ile karakterize olup klinik açıdan ciddi komplikasyonlarla ilişkilidir. Mikroskop görüntülerinin manuel değerlendirilmesi zaman alıcı ve gözlemciye bağlı değişkenlik içerdiğinden, görüntü tabanlı otomatik sınıflandırma sistemleri tarama ve karar destek süreçleri için önemli bir potansiyel taşımaktadır. Bu tezde problem, mikroskop görüntülerin ikili sınıflandırması (POS/NEG) olarak ele alınmış; POS etiketi görüntüde SCD ile uyumlu morfolojik bulguların varlığına, NEG etiketi ise morfolojik bulguların yokluğu anlamına gelecek şekilde tanımlanmıştır. Çalışmada kullanılan toplam 991 görüntü (NEG=147, POS=844) içermektedir. Bu çerçevede, sınırlı veri büyüklüğü ve sınıf dengesizliği nedeniyle doğruluk (Accuracy), ROC-AUC, F1, duyarlılık (Sensitivity/Recall) ve özgüllük (Specificity) metrikleri birlikte raporlanmış; ayrıca karar eşiğinin varsayılan 0,50'ye sabitlenmesi yerine doğrulama kümesinde taranması ve klinik hedefe uygun işletim noktası seçimi vurgulanmıştır. Metodolojik olarak tez, tek seferde en iyi skor yaklaşımından ziyade hata modlarını azaltmaya dönük ölçülebilir müdahaleler zinciri önermektedir: (i) ön-işleme seçeneklerinin sistematik taranması, (ii) augmentasyonların ablation analizi ile FN–FP maliyetlerine göre seçim, (iii) eğitim prosedürünü iyileştirmeyi hedefleyen 3 aşamalı dinamik öğrenme (3PDL) yaklaşımı ve (iv) doğrulama tabanlı eşik optimizasyonu/weighted ensemble gibi karar stratejileri. 3PDL süreci aşama bazlı izlenmiş, test kümesinde performans raporlanmış ve hata türleri (FN/FP) üzerinden değerlendirilmiştir. Açıklanabilirlik ve davranışsal doğrulama amacıyla Grad-CAM kullanılarak modelin karar sırasında odaklandığı bölgeler incelenmiş; CAM enerjisinin merkez (ROI/FOV) ile kenar/dış bölgelere dağılımı nicel odak analizi ile ölçülerek artefakt/kenar ipuçlarına dayanma riski görünür kılınmıştır. Bu analizler, özellikle yanlış sınıflandırma örneklerinde modelin doğru yere bakma davranışını değerlendirmeyi ve ROI-mask gibi müdahalelerin gerekçesini desteklemeyi hedeflemiştir. Sonuç olarak tez, SCD mikroskop görüntülerinde POS/NEG sınıflandırması için; veri bütünlüğünü ve leakage riskini gözeten bir deney hattı kurarak, ön-işleme ve eğitim stratejilerini hata analizi ve açıklanabilirlik ile birlikte ele alan, klinik açıdan daha savunulabilir bir sınıflandırma yaklaşımı sunmaktadır.Sickle Cell Disease (SCD) is characterized by sickling in erythrocyte morphology and is associated with clinically serious complications. Since manual assessment of microscope images is time-consuming and subject to inter-observer variability, image-based automated classification systems have significant potential for screening and clinical decision support processes. In this thesis, the problem is formulated as binary classification of microscope images (POS/NEG), where the POS label denotes the presence of morphological findings consistent with SCD, and the NEG label denotes the absence of such findings. The dataset used in this study consists of a total of 991 images (NEG = 147, POS = 844). Within this framework, due to the limited dataset size and class imbalance, multiple evaluation metrics were reported together, including Accuracy, ROC-AUC, F1-score, Sensitivity (Recall), and Specificity. In addition, rather than fixing the decision threshold at the default value of 0,50, scanning the threshold on the validation set and selecting an operating point aligned with the clinical objective were emphasized. Methodologically, instead of pursuing a one-shot best-score approach, the thesis proposes a chain of measurable interventions aimed at reducing error modes: (i) systematic screening of preprocessing alternatives, (ii) selection of augmentation strategies based on FN–FP costs through ablation analysis, (iii) a three-phase dynamic learning (3PDL) approach designed to improve the training procedure, and (iv) decision strategies such as validation-based threshold optimization and weighted ensemble. The 3PDL process was monitored stage by stage, performance was reported on the test set, and the results were evaluated in terms of error types (FN/FP). For explainability and behavioral validation, Grad-CAM was employed to examine the regions on which the model focused during decision-making; furthermore, a quantitative focus analysis measuring the distribution of CAM energy between the central region (ROI/FOV) and peripheral/outside regions was conducted to make visible the risk of relying on artifact- or border-based cues. These analyses aimed particularly to assess whether the model attends to the correct regions in misclassified samples and to support the rationale for interventions such as ROI masking. In conclusion, for POS/NEG classification of SCD microscope images, this thesis presents a clinically more defensible classification approach by establishing an experimental pipeline that considers data integrity and leakage risk, while addressing preprocessing and training strategies together with error analysis and explainability.