İnsan idrar hücrelerinin fiziksel yapılarının görüntü işleme teknikleri ile öznitelik çıkarımı ve sınıflandırılması

Abstract

Günümüzde idrar sediment mikroskopisi üriner hastalıkların tanısı ve teşhisinde kritik rol oynamaktadır. El ile yapılan idrar analizlerinde hata payının yüksek olması ve test sürelerinin uzun olmasından dolayı görüntü işleme ve bilgisayarlı görü yöntemlerine dayalı sistemlere olan ihtiyacı arttırmaktadır. Bundan dolayı tanı ve teşhis süresinin kısalması ve doğru sonuçların elde edilebilmesi için idrar tortusu içerisinde bulunan hücrelerin tanınması ve sınıflandırılmasının görüntü işleme yöntemleri ile yapılması vazgeçilmez bir hal almıştır.Bu tez çalışmasında, birden fazla idrar hücresinin bulunduğu gerçek mikroskobik idrar görüntüleri üzerinde idrar hücrelerinin özniteliklerinin çıkartılması ve makine öğrenmesi yöntemleri ile sınıflandırılması gerçekleştirilmiştir. İdrar hücrelerinin tanınması aşamasında mikroskobik görüntüler üzerinde uygulamasına rastlanılmamış görsel kelime torbası modeli benimsenmiştir. Son olarak görsel kelime torbası modeli çatısı altında SURF, SIFT, ORB ile öznitelik çıkarma işlemi yapılmış ve K-Ortalama kümeleme, ortalama değişiklik kümelemesi yakınlık yayılımı yöntemleri ile sınıflandırma yapılmıştır. Elde edilen sonuçlar birbiri ile karşılaştırıldığında SIFT ve K-Ortalama kümeleme algoritması kombinasyonu %80 ile en yüksek başarı oranına sahip olmuştur.

Today, urine urinary sediment microscopy plays a critical role in the diagnosis and detection of disease. Due to the high margin of error in manual urine analyzes and the long test times, the need for systems based on image processing and computer vision methods increases. Therefore, it has become indispensable to recognize and classify the cells in the urine sediment using image processing methods in order to shorten the diagnosis time and to obtain accurate results. In this thesis, extraction of the attributes of urine cells on real microscopic urine images containing more than one urine cell and classification by machine learning methods have been performed. At the stage of recognizing urine cells, a bag of visual words, which has not yet been applied on microscopic images, has been adopted. Finally, under the framework of the bag of visual words model, feature extraction with SURF, SIFT, ORB was performed, and classification was made with K-Mean clustering, mean change clustering proximity propagation methods. When the results obtained were compared with each other, the combination of SIFT and K-Mean clustering algorithm had the highest success rate with 80%.