Akut lenfosit löseminin çekirdek sağrı regresyonu yöntemiyle tanınması

Abstract

Günümüzde kanser türleri içinde löseminin çocuk ve genç yetişkin nüfusta %28-%33 arasında değişen oranla en çok rastlanan kanser türü olduğu saptanmıştır. Bu durum gelecekte löseminin toplumlarda yaygın bir hal alacağı gerçeğini ortaya çıkarmıştır. Lösemi ölümcül sonuçlar doğursa da, erken tanı ve tedavi ile önüne geçilmesi mümkündür.Bu çalışmada çocuklarda daha sıklıkla rastlanan, tedavi şansı yüksek ve tedavi edilmediği takdirde ölümle sonuçlanabilen akut lenfosit lösemi (ALL) hücrelerinin tanınması için verimli bir örüntü tanıma algoritması tasarlanmıştır.Çalışmada ALL ve sağlıklı hücrelere morfolojik bir takım ön işlemler uygulanmıştır. Sonrasında gri seviye eş oluşum matrisleri (GLCM) yöntemi kullanılarak öznitelik çıkarımları gerçekleştirilmiştir. Elde edilen istatistiksel değerler, çekirdek sağrı regresyon yöntemi kullanılarak sınıflandırılmıştır. Algoritma tüm detaylarıyla ve performans analizleriyle birlikte sunulmuştur.Simülasyon çalışmalarında MATLAB programı kullanılmıştır.

Leukemia is the most common type of cancer throughout the world. It is seen both in children and adults. The rate of occurrence of leukemia varies between 28% to 33% according to age, gender and other specifications. Looking at the picture today, it can be concluded that there will be more leukemia cases in the future. Even though leukemia can be a fatal disease, early diagnosis and treatment can help prevent serious consequences.In this thesis, an efficient pattern recognition algorithm to identifiy the acute lymphocytic leukemic (ALL) cells is presented. Children are more likely to develop acute lymphocytic leukemia. It can be treated when diagnosed in time. If not treated properly, it can be fatal.In the study, morphological preprocessing techniques have been applied to both ALL and healthy cells. Later, using the gray-level co-occurrence matrix (GLCM) method, features are extracted. Statistical values obtained from GLCM have been classified using kernel ridge regression. Finally a decision as to whether the sample is acute lymphocytic leukemic or healthy is made.The details of the algorithm and the performance analyses are included. Simulations have been done using the MATLAB program.