Kan Hücrelerinin Optimum Odaklı Görüntülenmesi İçin Derin Öğrenme Tabanlı Yaklaşımın Geliştirilmesi

Abstract

Mikroskobik sistemlerde var olan odaklama derinliği sebebiyle kan hücreleri bulunan numuneler tamamıyla odaklı görüntülenememektedir. Bu durum yapay zeka ve görüntü işleme algoritmalarının performans kaybına sebep olabilmektedir. Bunu çözmek için odaklama derinliğinin artırılması yaklaşımları kullanılmakta ve numunenin optimum odaklı görüntüsü elde edilmektedir. Literatürde birçok odaklama derinliğinin artırılması yaklaşımı bulunmasına rağmen bu alanda hala yüksek çalışma süresi, kullanılan numuneye ve mikroskop çeşidine göre farklı performans gösterme gibi çeşitli eksiklikler mevcuttur. Bu çalışmada, literatürdeki bu eksiklikleri gidermek amacıyla mikroskobik sistemlerde kan hücrelerinin optimum odaklı görüntülenmesi için hem yeni veri seti oluşturulmakta hem de derin öğrenme tabanlı yeni bir odaklama derinliği artırılması yaklaşımı önerilmektedir. Çalışmanın performansını değerlendirmek için Algı Tabanlı Görüntü Kalitesi, Referanssız Görüntü Uzamsal Kalite, Bulanıklık ve Doğallık Görüntü Kalitesi olmak üzere dört farklı kriter kullanılmaktadır. Geliştirilen çalışmada 13 farklı odaklama derinliğinin artırılması yaklaşımı test edilmektedir. Bu çalışmada performans değerlendirme kriterleri sonuçları ile kan hücrelerinin optimum odaklı görüntülenmesi için önerilen derin öğrenme tabanlı odaklama derinliğinin artırılması yaklaşımının diğer yaklaşımlara göre daha performanslı olduğu ispatlanmaktadır.Due to the depth of focus in microscopic systems, samples containing blood cells cannot be imaged completely in focus. This may cause performance loss of artificial intelligence and image processing algorithms. To solve this, extended depth of field approaches are used and an optimally focused image of the sample is obtained. Although many extended depth of field approaches were developed in the literature, there are still various shortcomings in this field, such as high running time and different performance depending on the sample used and the type of microscope. To eliminate these shortcomings in the literature, a new dataset is created for optimally focused imaging of blood cells in microscopic systems and a new deep learning-based approach to depth of field is proposed. Four different criteria are used to evaluate the performance of the study: Perception-based Image Quality Evaluator, Blind Image Spatial Quality Evaluator, Blurring and Naturalness Image Quality. In the developed study, 13 different extended depth of field approaches are tested. In this study, the results of the performance evaluation criteria prove that the deep learning-based extended depth of field approach proposed for optimally focused imaging of blood cells is more performant than other approaches.