Morfoloji Tabanlı Hibrit Hiyerarşik Periferik Kan Hücresi Sınıflandırması

Abstract

Periferik kan hücrelerinin otomatik sınıflandırılmasında, morfolojik olarak birbirine benzeyen alt türlerin doğru ayırt edilmesi temel bir zorluktur. Bu çalışmada, bu sınıfların hassas analizi için öznitelik gömme tabanlı hibrit bir hiyerarşik derin öğrenme mimarisi önerilmiştir. Önerilen sistem, ana bir DenseNet121 modelini takiben, hücrelerin çekirdek ve sitoplazma detaylarındaki morfolojik varyasyonları inceleyen özelleşmiş uzman modellerden oluşmaktadır. Elde edilen özniteliklerin bir makine öğrenmesi katmanında birleştirilmesiyle %98,07 doğruluk oranına ulaşılmıştır. Özellikle standart modellerin yetersiz kaldığı Bant Nötrofil sınıfında F1 skoru 0,339’dan 0,886’ya, Miyelosit sınıfında ise 0,138’den 0,737’ye yükseltilmiştir. Sonuçlar, hiyerarşik morfolojik analizin karmaşık hücre gruplarının ayırıcı tanısında yüksek performans sağladığını göstermektedir.

The accurate differentiation of morphologically similar sub-types is a fundamental challenge in the automated classification of peripheral blood cells. In this study, a feature embedding-based hybrid hierarchical deep learning architecture is proposed for the precise analysis of these classes. The proposed system consists of a primary DenseNet121 model followed by specific expert models that examine nuclear and cytoplasmic details across morphological variations. By integrating the extracted features into a machine learning layer, an overall accuracy of 98.07% is achieved. Notably, in the Band Neutrophil class where standard models often underperform, the F1-score is increased from 0.339 to 0.886, and in the Myelocyte class, it rises from 0.138 to 0.737. The results demonstrate that hierarchical morphological analysis provides high performance in the differential diagnosis of complex cell groups.