setsci SETSCI Conference Proceedings 2687-5527 SET Technology 10.36287/setsci.4.6.139 0e6cf98f-8ed5-464d-802d-0d38bd79a4ed Akut Lenfoblastik Löseminin Makine Öğrenimi ile Sınıflandırılması Varol Malkoçoğlu  Ayşe Berika İşeri İsmail Maltepe University Ondokuz Mayıs University 22 12 2019 9 497 501 © 2019 SET Technology 2019 SET Technology CC BY 4.0

Akut Lenfoblastik Lösemi (ALL) genellikle 2-5 yaş arasındaki çocuklarda görülen, kemik iliğindeki beyaz kan hücrelerinin hızlı artışından ve şekilsel bozukluklarından kaynaklanan bir kanser türüdür. Tespit edilip tedavi sürecinin başlatılmadığı takdirde ölümlere yol açabilmekte olan bu hücrelerin normal hücrelere morfolojik açıdan benzemesi, hastalığın teşhisini zorlaştırdığı bilinmektedir. Bu çalışmada Navie Bayes (NB), Random Forest (RF) ve Destek Vektör Makinesi (Support Vector Machine – SVM) algoritmalarından yararlanılarak hücrelerin (kanserli-kansersiz) sınıflandırması yapılmıştır. Sınıflandırma için açık kaynaklı Cancer Imaging Archive tarafından sunulan ALL veri seti kullanılarak RGB ve Gray Scale renk uzaylarında sınıflandırma performansları test edilmiştir. Test sırasında her iki renk formatı içinde orijinal ve arttırılmış veri kullanılarak 2000, 6500, 10320, 12130 büyüklüğünde hastalıklı & sağlıklı hücrelerin oluşturduğu 4 farklı veri kümesi kullanılarak, her bir görüntünün 32x32 ve 128x128 ölçülerine yeniden boyutlandırılıp sınıflandırma işlemi gerçekleştirilmiştir. Yapılan deneysel çalışmalar sonucunda RGB renk uzayında 2000 boyutlu veri seti ve 128x128 boyutlarına ölçeklendirilmiş görüntüler üzerinde çalıştırılan SVM algoritması %89‘luk Accuracy oranı ile en iyi sonucu verdiği gözlenmiştir. 

 Navie Bayes, Random Forest, Destek Vektör Makinesi, Sınıflandırma, Makine Öğrenimi (2019) WHO website [Online]. Available: https://gco.iarc.fr/today/home T. Aksu Uzunhan, Z. Karalaş, “Çocukluk Çağı Akut Lenfoblastik Lösemisi,” Çocuk Dergisi vol.12, no.1, pp. 6-15, 2012 A. A. Atay, A. E. Kürekçi, V. Kesik, S. Kýlýç, M. Gülgün, O. Özcan ve E. Gökçay, “Akut lenfoblastik lösemili olgularımızın retrospektif analizi, ”Gülhane Tıp Dergisi, vol. 47, pp. 183-186, 2005 A. M. Abdeldaim, A. T. Sahlol, M. Elhoseny & A. E. Hassanien, In Advances in Soft Computing and Machine Learning in Image Processing, Computer-aided acute lymphoblastic leukemia diagnosis system based on image analysis. pp. 131-147, Springer, Cham, 2018 M. N. Q. Bhuiyan, S. K. Rahut, R. A. Tanvir, & S.VRipon, “Automatic Acute Lymphoblastic Leukemia Detection and Comparative Analysis from Images,” In 2019 6th International Conference on Control, Decision and Information Technologies (CoDIT), IEEE, 2019, pp. 1144-1149 O. Selçuk & F. Özen, , “Acute lymphoblastic leukemia diagnosis using image processing techniques,”. In 2015 23nd Signal Processing and Communications Applications Conference (SIU), IEEE, 2015 pp. 803-806 (2019) NumPy website [Online]. Available: https://numpy.org/ (2019) Matplotlib website [Online]. Available: https://matplotlib.org/ (2019) Skit-Learn website [Online]. Available: https://scikitlearn.org/stable/ R. Saravanan, & P. Sujatha, “A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification”, 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), IEEE, 2018, pp. 945-949 (2017) M. N. Bernstein websites [Online]. Available: http://pages.cs.wisc.edu/~matthewb/pages/notes/pdf/ensembles/Rando mForests.pdf R. Gandhi. (2018) Towards Data Science homepage, [Online]. Available: https://towardsdatascience.com/naive-bayes-classifier81d512f50a7c U. Köse, “Zeki Optimizasyon Tabanlı Destek Vektör Makineleri ile Diyabet Teşhisi,” Politeknik Dergisi, vol. 22, no.3, p.p. 557-566, 2019 T. S Furey, N. Cristianini, N.Duffy, D. W. Bednarski, M. Schummer, D. Haussler, “Support vector machine classification and validation of cancer tissue samples using microarray expression data” , Bioinformatics, vol. 16, no. 10, pp. 906–914, Oct. 2000. A. Gupta, R. Gupta, “ALL Challenge dataset of ISBI 2019 [Data set],” The Cancer Imaging Archive, 2019 A. Gupta, R. Duggal, R. Gupta, L. Kumar, N. Thakkar, and D. Satpathy, “GCTI-SN: Geometry-Inspired Chemical and Tissue Invariant Stain Normalization of Microscopic Medical Images,”, under review. R. Gupta, P. Mallick, R. Duggal, A. Gupta, and O. Sharma, "Stain Color Normalization and Segmentation of Plasma Cells in Microscopic Images as a Prelude to Development of Computer Assisted Automated Disease Diagnostic Tool in Multiple Myeloma," 16th International Myeloma Workshop (IMW), India, March 2017. R. Duggal, A. Gupta, R. Gupta, M. Wadhwa, and C. Ahuja, “Overlapping Cell Nuclei Segmentation in Microscopic Images UsingDeep Belief Networks,” Indian Conference on Computer Vision, Graphics and Image Processing (ICVGIP), India, December 2016. R. Duggal, A. Gupta, and R. Gupta, “Segmentation of overlapping/touching white blood cell nuclei using artificial neural networks,” CME Series on Hemato-Oncopathology, All India Institute of Medical Sciences (AIIMS), New Delhi, India, July 2016. R. Duggal, A. Gupta, R. Gupta, and P. Mallick, "SD-Layer: Stain Deconvolutional Layer for CNNs in Medical Microscopic Imaging," In: Descoteaux M., Maier-Hein L., Franz A., Jannin P., Collins D., Duchesne S. (eds) Medical Image Computing and Computer-Assisted Intervention − MICCAI 2017, MICCAI 2017. Lecture Notes in Computer Science, Part III, LNCS 10435, pp. 435–443. Springer, Cham. DOI: https://doi.org/10.1007/978-3-319-66179-7_50. TCIA Citation K. Clark, B. Vendt, K. Smith, J. Freymann , J. Kirby , P. Koppel , S. Moore , S. Phillips , D. Maffitt , M Pringle, L. Tarbox, F. Prior, “ The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository,” Journal of Digital Imaging, Volume 26, Number 6, December, 2013, pp 1045-1057.