Konvolüsyonel sinir ağı kullanılarak sıtma hastalığı sınıflandırılması

Abstract

Sıtma, sivrisinek ısırması sonucu oluşan bir hastalıktır. Sıtma hastalığını algılama, tanıma ve sınıflandırma gibi işlemler, Plasmodium parazitli hücrelerin mikroskobik olarak incelenmesine dayanmaktadır. Sıtma paraziti ile enfekte olmuş hücrelerin bilgisayar destekli olarak tanımlanması zorlu bir iştir. Bu zorlu işlemi kolaylaştırabilmek için son zamanlarda popüler hale gelen derin öğrenme yöntemleri ile kırmızı kan hücrelerinde sıtma parazitinin olup olmadığı tespit edilmeye çalışıldı. Bu hastalığın tanısını koyabilmek için gerçekleştirilen sınıflandırmada iki ayrı Konvolüsyonel Sinir Ağı (CNN) modeli geliştirilmiştir. Birinci modelde giriş katmanı olarak önceden eğitilmiş ResNet50V2 mimarisini temel alan derin öğrenme modeli verilmiştir. İkinci modelde ise 23 ağırlıklı katmandan oluşan yeni bir derin öğrenme modeli tasarlanmıştır. Önerilen modelleri eğitebilmek için toplam 27.558 ince kan hücresi görüntüsü kullanıldı. Önerilen modeller ile sıtma hastalığının sınıflandırılmasında %97.53 oranında doğruluk değerine ulaşılmıştır.

Malaria is a disease that is infected by mosquito bites. Detection, recognition, and classification of malaria are based on microscopic examination of parasitic cells such as Plasmodium. Computer-aided identification of the fine-grained manifestations of infected cells with malaria disease is a challenging task. In order to facilitate this difficult process, it has been tried to determine whether there is malaria in red blood cells with the deep learning methods that have become popular recently. Two different convolutional neural network (CNN) models were developed to diagnose this disease in the classification. In the first model, a deep learning model based on the pre trained ResNet50V2 architecture is given as the input layer. In the second model, a new deep learning model consisting of 23 weighted layers was designed. A total of 27,558 thin blood cell images were used to train the proposed models. With the proposed models, an accuracy value of 97.53% was obtained in the classification of malaria.