Sıtma Hastalığının Sınıflandırılmasında Evrişimsel Sinir Ağlarının Performanslarının Karşılaştırılması

Performances Comparison of Convolutional Neural Networks in the Classification of Malaria Disease

Özet

Sıtma, Plasmodium adlı bir kan parazitinin neden olduğu ciddi bir hastalıktır. Sıtmayı teşhis etmenin standart yolu, parazit bulaşmış kırmızı kan hücreleri için kan bulaşmalarını mikroskop altında uzmanlar tarafından görsel olarak incelenmesidir. Bu yöntem verimsizdir ve tanı, muayeneyi yapan kişinin deneyimine ve bilgisine bağlıdır. Daha önce teşhis için sıtma kan hücrelerine makine öğrenimine dayalı otomatik görüntü tanıma teknolojileri uygulanmıştır. Bu çalışmanın amacı, sıtma hücrelerinin parazit veya enfekte olmayan olarak ayırmaktır. Ek olarak çalışmada, önceden eğitilmiş evrişimsel sinir ağlarına dayalı bütünleşik bir tanı sistemi önerilmiştir. Bu çalışmada sıtma hücrelerini sınıflandırmak için Ulusal Sağlık Enstitüleri'nden (NIH) elde edilen toplam 27558 imge kullanılmıştır. Deneysel çalışmalar sonucunda, sıtma hücrelerinin sınıflandırılmasında, sırasıyla AlexNet, GoogleNet, SqueezeNet, ShuffleNet ESA modelleri ile % 95.77, % 96.31, % 95.95, % 96.44 ve 0.9880, 0.9887, 0.9888, 0.9923 EAA performans değerleri elde edilmiştir. Sıtma hücrelerinin sınıflandırılmasında en iyi sonuca, %96.44 Doğruluk değeri ile ShuffleNet CNN modeli kullanılarak ulaşılmıştır.Anahtar kelimeler: Sıtma, sınıflandırma, evrişimsel sinir ağı.

Abstract

Malaria is a serious disease caused by a blood parasite named Plasmodium. The standard way of diagnosing malaria is by visually examining blood smears for parasite-infected red blood cells under the microscope by qualified technicians. This method is inefficient and the diagnosis depends on the experience and the knowledge of the person doing the examination. The aim of this study is to separate malaria cells as parasites or non-infected. Additionally, an integrated diagnostic system based on pre-trained convolutional neural networks is proposed in the study In this study, a total of 27558 images obtained from the National Institutes of Health (NIH) were used to classify malaria cells. As a result of experimental studies, 95.77%, 96.31%, 95.95%, 96.44% and 0.9880, 0.9887, 0.9888, 0.9923 AUC performance values were obtained in the classification of malaria cells with AlexNet, GoogleNet, SqueezeNet, ShuffleNet CNN models, respectively. The best classification result of malaria cells was achieved using the ShuffleNet CNN model with an Accuracy of 96.44%.Keywords: Malaria, classification, convolutional neural network.