AI Summary & Key Takeaways
AI InsightThe results indicate that controlled contrast enhancement significantly improves discriminative performance; however, the selection of an appropriate operating point remains dependent on clinical priorities.
📌 3 Key Takeaways
Abstract
In this study, a hybrid image enhancement and explainable deep learning framework is proposed for the automatic detection of morphological features associated with sickle cell disease in microscopic peripheral blood smear images. The experimental dataset comprises 991 images and exhibits a pronounced class imbalance. To address this limitation, data integrity was strengthened through systematic duplicate and near-duplicate removal, followed by the implementation of a leakage-safe data splitting strategy. Preprocessing strategies were comprehensively evaluated to mitigate variations in contrast, illumination, and staining conditions, with particular emphasis on a controlled contrast enhancement approach. In parallel, multiple methodological components, including augmentation ablation experiments, a three-phase dynamic learning strategy, validation-based threshold optimization, region-of-interest masking, and weighted ensemble techniques, were systematically examined. Model performance was assessed using standard evaluation metrics, including ROC-AUC, accuracy, sensitivity, specificity, and F1-score, and further analyzed through Grad-CAM-based explainability and quantitative attention analysis. The results indicate that controlled contrast enhancement significantly improves discriminative performance; however, the selection of an appropriate operating point remains dependent on clinical priorities. Overall, the proposed framework provides a more robust and clinically interpretable decision-support pipeline for binary classification of microscopic images, highlighting the importance of data leakage prevention, error distribution analysis, and explainability in biomedical image analysis.
Özet
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.