İyileştirilmiş Görüntü Sınıflandırma Performansı için Hibrit ESA-Ağaç Temelli Bir Model

Abstract

Kan hücreleri, enfeksiyonlara karşı koruma ve vücudu savunma gibi çeşitli vücut fonksiyonlarında önemli bir rol oynar. Genel olarak kırmızı, beyaz ve trombosit olarak gruplanabilen kan hücrelerinin doğru bir şekilde sınıflandırılması klinik tanı ve hematolojik analiz için önem arz etmektedir. Ancak, bu hücrelerin ayırt edilmesi uzmanlık gerektiren ve zaman alıcı bir işlemdir. Bu nedenle, yüksek hassasiyette otomatik kan hücresi sınıflandırabilen yöntemlere olan ihtiyaç artmaktadır. Evrişimli sinir ağları (ESA) görsel veri analizi için kullanılan ve veriden özellik çıkarma konusunda çok güçlü olan bir derin öğrenme modelidir. Bu çalışmada, ESA’nın özellik çıkarma gücünü Rastgele Orman ve XGBoost algoritmalarının topluluk temelli tahmin yetenekleriyle birleştiren hibrit bir sınıflandırma modeli önerilmiştir. Önerilen hibrit model, BloodMNIST veri kümesi üzerinde farklı yöntemler ile sınıflandırma performansı ve çıkarım süresi açısından kıyaslanmıştır. Elde edilen sonuçlara bakıldığında ağaç-temelli yöntemlerin ESA’ya kıyasla 8.49 ve 11.62 puana kadar daha iyi sınıflandırma performansı gösterdiği ve diğer yöntemlere kıyasla 82.9 kata kadar daha iyi çıkarım süreleri elde edildiği görülmüştür.

Blood cells play an essential role in various bodily functions, such as protection against infections and the body’s defense. The accurate classification of blood cells, generally grouped as red, white, and platelets is important for clinical diagnosis and hematological analysis. However, identifying these cells is a specialized and time-consuming process. Therefore, there is a hot-topic for high-precision automatic blood cell classification methods. Convolutional neural networks (CNNs) are a deep learning model used for visual data analysis and are very powerful in extracting features from data. In this study, we propose a hybrid classification model that combines the feature extraction power of CNNs with the ensemble-based prediction capabilities of Random Forest and XGBoost algorithms. The proposed hybrid model is compared with different methods on the BloodMNIST dataset in terms of classification performance and inference time. The results show that the tree-based methods outperform CNN by up to 8.49 and 11.62 points and achieve up to 82.9 times better inference times than other methods.