Abstract:
ABSTRACT
Acute lymphoblastic leukemia (ALL) is one of the main causes of mortality in the modern world. The detection of ALL has been approached in a variety of ways. The term "computer-aided diagnostics" (CAD) refers to various machine learning-based automated diagnosis systems. Early CAD systems used machine learning methods, but convolutional neural networks (CNN)-based deep learning models have gained popularity because of their autonomous feature extraction capabilities. Many different disciplines employ deep learning. One of the key industries that deep learning has revolutionized is healthcare. Different pathologists' and doctors' perspectives are other frequent problems that patients encounter. Such human mistakes often result in inaccurate or slow judgment, which may be disastrous to human life. Researchers in healthcare are using deep learning-based methodologies and have produced state-of-the-art findings to increase decision consistency, efficiency, and mistake reduction. This work suggests using deep learning (DL) and transfers learning to categorize histological pictures for ALL diagnoses. In this work, we used transfer learning to categorize blood pathology pictures on various training photos without sacrificing performance. In order to extract features, patches are first taken from Whole Slide Images and put into the CNN. The discriminative patches are chosen based on these characteristics and supplied into the proposed architecture once pre-trained on two datasets. The suggested models perform better than the standard techniques regarding various performance metrics. Thanks to the transfer learning approach, three separate convolutional neural network models (DenseNet 169, VGG19, and a basic CNN model) were trained using two distinct data sets, ALL IDB and C-NMC ALL. The accuracy values for the three models after training on the ALL IDB data set were 99.76%, 99.49%, and 94.24%, respectively. The accuracy scores were 85.41%, 85.32%, and 80.77% when the three models were trained using the C-NMC ALL dataset.
ÖZET
Akut lenfoblastik lösemi (ALL), modern dünyada başlıca ölüm nedenlerinden biridir. ALL'nin tespitine çeşitli şekillerde yaklaşılmıştır. "Bilgisayar destekli teşhis" (CAD) terimi, çeşitli makine öğrenimi tabanlı otomatikleştirilmiş teşhis sistemlerini ifade eder. Erken CAD sistemleri, makine öğrenimi yöntemlerini kullandı, ancak evrişimli sinir ağları (CNN) tabanlı derin öğrenme modelleri, otonom özellik çıkarma yetenekleri nedeniyle popülerlik kazandı. Birçok farklı disiplin derin öğrenmeyi kullanır. Derin öğrenmenin devrim yarattığı kilit sektörlerden biri sağlık hizmetleridir. Farklı patolog ve doktorların bakış açıları da hastaların sıklıkla karşılaştığı diğer sorunlardır. Bu tür insan hataları genellikle yanlış veya yavaş karar verilmesine neden olur ve bu da insan hayatı için felaket olabilir. Sağlık alanındaki araştırmacılar, derin öğrenmeye dayalı metodolojiler kullanıyor ve karar tutarlılığını, verimliliği ve hata azaltmayı artırmak için en son teknolojiye sahip bulgular ürettiler. Bu çalışma, derin öğrenmenin (DL) kullanılmasını önerir ve TÜM teşhisler için histolojik resimleri kategorize etmek için öğrenmeyi aktarır. Bu çalışmada, performanstan ödün vermeden çeşitli eğitim fotoğraflarındaki kan patolojisi resimlerini kategorize etmek için transfer öğrenmeyi kullandık. Özellikleri çıkarmak için önce Tam Slayt Görüntülerinden yamalar alınır ve CNN'e konur. Ayırt edici yamalar, bu özelliklere dayalı olarak seçilir ve iki veri kümesi üzerinde önceden eğitildikten sonra önerilen mimariye sağlanır. Önerilen modeller, çeşitli performans ölçütleri açısından standart tekniklerden daha iyi performans göstermektedir. Transfer öğrenme yaklaşımı sayesinde, ALL IDB ve C-NMC ALL olmak üzere iki farklı veri seti kullanılarak üç ayrı evrişimli sinir ağı modeli (DenseNet 169, VGG19 ve temel bir CNN modeli) eğitildi. ALL IDB veri setinde eğitimden sonra üç model için doğruluk değerleri sırasıyla %99,76, %99,49 ve %94,24 idi. Doğruluk puanları, üç model C-NMC ALL veri seti kullanılarak eğitildiğinde %85,41, %85,32 ve %80,77 idi.