PBC-NAS: Periferik Kan Hücrelerinin Sınıflandırılması İçin Sinir Mimarisi Arama

Abstract

Periferik kan hucresi (PBC) sınıflandırması, kanın bileşenlerini tanımlamak ve insan sağlığını etkileyen karmaşık ilişkilerini anlamak için temel bir araçtır. PBC’ler, eritrositler, lokositler ve trombositler gibi çeşitli hücre türlerini içerir ve her hücre tipinin kendine özgü morfolojik ve işlevsel özellikleri vardır. Bu hücreleri ayırt etmek, hematolojik bozuklukların teşhisine ve bireyin genel sağlık durumunun değerlendirilmesine yardımcı olabilir. Bu nedenle, PBC sınıflandırmasının verimliliğini ve doğrulusunu önemli ölçüde arttıracak otomatik kan hücresi yöntemlerine duyulan ihtiyaç giderek artmaktadır. Yapılan bu çalışmada, PBC sınıflandırma başarılısını ve verimliliğini arttırmak amacıyla PBC-NAS olarak isimlendirilen yeni bir sinir mimarisi arama (Neural Architecture Search, NAS) yöntemi önerilmiştir. Önerilen yöntem, son-teknolojik yöntemler ve otomatik sinir mimarisi arama yöntemleri ile karşılaştırılmış ve hem sınıflandırma başarısı hem de model karmaşıklığı açısından daha iyi sonuçlar elde edilmiştir. Aynı zamanda PBC-NAS, en yakın rakibinden 7,3 kat daha az parametre ile 2,4 puan daha iyi ortalama doğruluk oranı elde etmiştir.Peripheral blood cell (PBC) classification is crucial for identifying different types of blood cells and understanding their complex relationships that affect human health. PBCs include erythrocytes, leukocytes, and platelets, each with unique morphological and functional characteristics. Classifying these cells can help diagnose hematologic disorders and assess overall health status. Therefore, there is a growing need for automated blood cell methods to significantly improve the efficiency and accuracy of PBC classification. In this study, we propose a new neural architecture search method, namely PBC-NAS, to improve the accuracy and efficiency of PBC classification. The proposed method is compared with state-of-the-art methods and automatic neural architecture search methods, and it achieves better results in terms of classification performance and model complexity. PBC-NAS has achieved 2.4 points better average accuracy with 7.3 times fewer parameters than its closest competitor.