Beyaz Kan Hücresi Tespitinde YOLO Tabanlı Modellerin Deneysel Karşılaştırması

Abstract

Bağışıklık sisteminin temel bileşenlerinden biri olan beyaz kan hücrelerinin tespit edilmesi, sınıflandırılması ve analizlerinin yapılması enfeksiyon ve kanser gibi hastalıkların teşhisi için büyük önem taşımaktadır. Bu nedenle, periferik kan görüntülerinde beyaz kan hücrelerini hızlı ve dogru bir şekilde belirleyen ve sınıflandıran otomatik analiz yöntemleri büyük önem arz etmektedir. Bu çalısşmada, beyaz kan hücrelerin tespiti ve sınıflandırılması için YOLO tabanlı dört farklı model kullanılmısş ve performansları literatürdeki çalısşmalar ile karsşılasştırılmısştır. Deneysel çalısşmalarda lösemi tesşhisine yönelik olarak sunulan LeukemiaAttri veri kümesi kullanılmısştır. Elde edilen sonuçlar, YOLOv9t ve YOLOvlln modellerinin diger modellere oranla daha yüksek performans gösterdigini ortaya koymuştur. Ayrıca, YOLOv9t modelinin sınıf bazlı performansı incelenmisştir. Bu bulgular, beyaz kan hücrelerinin tespiti ve sınıflandırması için YOLO tabanlı yöntemlerin etkin sonuçlar verdigini göstermektedir.The detection, classification, and analysis of white blood cells, which are one of the fundamental components of the immune system, are of great importance for the diagnosis of diseases such as infections and cancer. Therefore, automated analysis methods that can quickly and accurately identify and classify white blood cells in peripheral blood smear images are highly significant. In this study, four different YOLO-based models were used for the detection and classification of white blood cells, and their performances were comparatively evaluated. For the experimental studies, the LeukemiaAttri dataset, designed for leukemia diagnosis, was utilized. The results demonstrated that the YOLOv9t and YOLOv11n models outperformed the other models. Additionally, the class-based performance of the YOLOv9t model was examined. These findings indicate that YOLO-based methods are effective for the detection and clas-sification of white blood cells.