SavedAdd your journal

Journals / Electronic Letters on Science and Engineering / 2019 / Cilt: 15 - Sayı: 3

Dijital Mikroskop Altında Alınan Kan Hücresi Görüntülerinden Beyaz Kan Hücrelerinin Algılanması ve Sınıflandırılması

Furkan ÇAM
Ayşegül GÜVEN
Pages
23–43
Publication Date
2019-12-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Amaç, daha fazla doğruluk elde etmek için bu metodolojileri incelemek ve gelecekteki araştırmalara yön vermektir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kan yapısında bulunan beyaz kan hücrelerinin sayısı, yapısı ve şekli klinik açıdan önemli bilgilere ulaşmamızı sağlamaktadır.
📊
Key Findings & Data:Bu bilgilere ulaşmak için alınan mikroskop görüntüleri incelenmekte ve elde edilen bulgular doktora iletilmektedir.
💡
Conclusion & Impact:Amaç, daha fazla doğruluk elde etmek için bu metodolojileri incelemek ve gelecekteki araştırmalara yön vermektir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Beyaz kan hücreleri (BKH) · Görüntü işleme · segmantasyon

Abstract

Kan yapısında bulunan beyaz kan hücrelerinin sayısı, yapısı ve şekli klinik açıdan önemli bilgilere ulaşmamızı sağlamaktadır. Bu bilgilere ulaşmak için alınan mikroskop görüntüleri incelenmekte ve elde edilen bulgular doktora iletilmektedir. Ancak uzmanlar tarafından manuel olarak yapılan bu işlemler yorucu ve zaman kaybına sebebiyet vermektedir. Bu sebeplerden dolayı otomatik olarak hücrelerin belirlenmesi ve hangi sınıfa ait olduğunun tespit edilmesi, işlemleri hızlandıracak ve daha fazla verinin incelenebilmesine olanak sağlayacaktır. Araştırmacıların çoğu hücre sayımı ve algılanması üzerine çeşitli metodolojiler kullanmaktadırlar. Bu makalemizde kullanılan metodolojiler üzerinde duracağız. Amaç, daha fazla doğruluk elde etmek için bu metodolojileri incelemek ve gelecekteki araştırmalara yön vermektir.

🔖

Cite This Article

ÇAM, F., GÜVEN, A. (2019). Dijital Mikroskop Altında Alınan Kan Hücresi Görüntülerinden Beyaz Kan Hücrelerinin Algılanması ve Sınıflandırılması. Electronic Letters on Science and Engineering, Cilt: 15 - Sayı: 3, 23–43. https://ajindex.com/articles/133636

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. Medically reviewed by Deborah Weatherspoon, PhD, RN, CRNA, COI on March 6, 2017- Written by Valencia Higuera [2] T. Rosyadi, A. Arif, Nopriadi, B. Achmad, Faridah, "Classification of Leukocyte Images Using K-Means Clustering Based on Geometry Features" in 6th International Annual Engineering Seminar (InAES), Yogyakarta, Indonesia, 2016. [3] Salem N.M. Segmentation of white blood cells from microscopic images using K-means clustering
  2. Proceedings of the 31st IEEE National Radio Science Conference (NRSC)
  3. Cairo, Egypt. 28–30 April 2014
  4. pp. 371–376. [4] Paul Mooney, different cell types for detect and classify blood cell subtypes, Kaggle. [5] N. Sinha, A. G. Ramakrishnan, "Automation of differential blood count", TENCON 2003. Conference on Convergent Technologies for Asia-Pacific Region, vol. 2, pp. 547-551, 2003. [6] J. M. Sharif, M. F. Miswan, M. A. Nagdi, Sah Hj Salman, "Red Blood Cell Segmentation Using Masking and Watershed Algorithm: A Preliminary Study", EEE International Conference on Biomedical Engineering, 2012. And the related images from
  5. N. Abbas, D. Mohamad "Mıcroscopıc Rgb Color Images Enhancement For Blood Cells Segmentatıon In Ycbcr Color Space For K-Means Clusterıng ", JATIT10th September 2013. Vol. 55 No.1.[7] Dai Chunni, Liu Jingao, "Spectral Feature Extraction of Blood Cells Based on Hyperspectral Data", IEEE 9th International Conference on Natural Computation, Shenyang, China, 2013. and the related image from
  6. F. Leyuan, Nanjun He, Shutao Li, Antonio J. Plaza,, and Javier Plaza ü. [8] Mohmed A. Mohmed Mostafa, Far Behrouz, "A Fast Technique for White Blood Cell Nuclei Automated Segmentation Based on Gram-Schmidt Orthogonalization", IEEE 24th International Conference on Tool with Artificial Intelligence, 2012 and the related image from
  7. A New Approach to White Blood Cell Nucleus Segmentation Based on Gram-Schmidt Orthogonalization [9] Biplab Kanti Das, Krishna Kumar Jha, Himadri Sekhar Dutta, "A New approach for Segmentation and Identification of Disease Affected Blood Cells", IEEE International Conference on Intelligent Computing Applications, 2014. [10] J. Ge, Z. Gong, Jun Liu, J. Nguyen, Zongyi Yang, Chen Wang and Yu Sun, "A Aystem for Counting Fetal and Maternal Red Blood Cells", IEEE Transaction on Biomedical Engineering, vol. 61, no. 12, pp., 2014 and the related image from
  8. “A Comparative Study of White Blood cells Segmentation using Otsu Threshold and Watershed Transformation”, researchgate. [11] J. Theerapattanakul, J. Plo