Transfer Öğrenme ve Komşuluk Bileşen Analizine Dayalı Balgam Yayma Mikroskop Görüntüleri Üzerinden Otomatik Tüberküloz Teşhisi

Automated Tuberculosis Diagnosis on Sputum Smear Microscope Images Based on Transfer Learning and Neighborhood Component Analysis

Özet

Tüberküloz, Mycobacterium tuberculosis bakterisinin neden olduğu, dünya çapında etkili olan ve ölümle sonuçlanabilen bulaşıcı bir hastalıktır. Kişiden alınan balgam örneğinin mikroskop altında incelenmesi hastalığın en yaygın tanı yöntemlerindendir. Ancak bu manuel işlem hataya açık ve zaman alıcıdır. Bu çalışmada, balgam yayma mikroskop görüntüleri kullanılarak otomatik tüberküloz teşhisi için bir model önerilmiştir. Modelde veri setine ait öznitelikler transfer öğrenme yaklaşımı ile Vgg19, ResNet50 ve DenseNet201 kullanılarak elde edilmiştir. Öznitelikler birleştirildikten sonra Komşuluk Bileşen Analizi (KBA) ile ağırlıklandırılıp en iyi olanları seçilmiştir. Seçilen öznitelikler Destek Vektör Makinesi (DVM) ile eğitilmiş, modelin performansı beş kat çapraz doğrulama kullanılarak hesaplanmıştır. Deneysel sonuçlarda %99.03 doğruluk, %99.24 kesinlik, %98.81 duyarlılık, %99.25 özgüllük ve %99.02 f1-skoru elde edilmiştir.

Abstract

Tuberculosis is an infectious disease caused by the Mycobacterium tuberculosis bacterium, which is effective worldwide and can result in death. Examination of the sputum sample taken from the person under the microscope is one of the most common diagnostic methods of the disease. However, this manual process is error-prone and time-consuming. In this study, a model for automatic tuberculosis diagnosis using sputum smear microscope images is proposed. In the model, the features of the data set were obtained with the transfer learning approach using Vgg19, ResNet50 and DenseNet201. After the features are combined, they are weighted with Neighborhood Component Analysis (NCA) and the best ones are selected. The selected features were trained with the Support Vector Machine (SVM), and the performance of the model was calculated using five-fold cross validation. Experimental results yielded 99.03% accuracy, 99.24% precision, 98.81% sensitivity, 99.25% specificity, and 99.02% f1-score.