Millions of people worldwide suffer from malaria, a potentially fatal disease. Early
and precise diagnosis is essential for the medical condition to be successfully treated
and managed. This thesis employs three computer-aided methods to determine
percentages of red blood cells that are either parasitic or uninfected given test set(s)
obtained from the National Institutes of Health (NIH) dataset. The three methods
employed are traditional image processing, Support Vector Machine (SVM), and
Convolutional Neural Networks based Deep Learning (CNN-DL). The simulations are
performed using a dataset that has 27,558 images of red blood cells. The traditional
image processing method achieves an accuracy of 91.97%. SVM classifier using
Histogram of Oriented Gradients (HOG) features has an accuracy of 88.6% and with
features extracted using Local Binary Patterns (LBP) accuracy has improved to 92.5%
using a smaller subset of 6,040 images. The two previous methods proved to be inferior
when compared with the CNN- DL classification which gave an accuracy of 95.7%
using AlexNet, and 96.32% using GoogLeNet. The accuracy of each of the three
computer-aided methods was based on performance metrics calculated using
confusion matrices and the Receiver Operating Characteristic (ROC) curves.
ÖZ:
Dünya çapında milyonlarca insan, potansiyel olarak ölümcül bir hastalık olan sıtmadan
muzdariptir. Tıbbi durumun başarılı bir şekilde tedavi edilmesi ve yönetilmesi için
erken ve kesin teşhis şarttır. Bu tezde, Ulusal Sağlık Enstitüleri (USE) veri setinden
rastgele seçilerek oluşturulmuş deneme kümeleri içindeki kırmızı kan hücrelerinin
parazitik olma veya enfekte olmama yüzdelerini belirlemek adına üç bilgisayar
destekli yöntem kıyaslanmaktadır. Kullanılan yöntemler sırası ile geleneksel görüntü
işleme yöntemleri, destek vektör makinesi (DVM) ve evrişimsel sinir ağları tabanlı
derin öğrenme (ESA-DÖ) olmuştur. Benzetimler için 27,558 kırmızı kan hücresi
içeren bir veri seti kullanılmıştır. Geleneksel görüntü işleme yöntemi %91,97'lik bir
doğruluk ile temiz ve parazitli hücreleri ayırabilmiştir. Yönlendirilmiş Gradyanlar
Histogramı (YGH) özniteliklerini kullanan DVM sınıflandırıcının doğruluğu %88.6
iken yerel ikili Örüntü (YİÖ) kullanılarak çıkarılan özniteliklerle sınıflandırma sonrası
doğruluk %92,5'e yükselmiştir. AlexNet ve GoogleNet derin öğrenme modelleri
kullanıldığında elde edilen sınıflandırma sonuçları ilk iki bilgisayar tabanlı yöneme
göre daha iyi çıkmıştır. Bütün veri tabanı kullanıldığında sınıflandırma başarısı
AlexNet için %95.7 iken GoogLeNet %96.32 ile biraz daha iyi sonuç vermiştir. Başarı
değerleri her üç yöntem için elde edilen karışıklık matris değerleri kullanılarak ve Alıcı
Çalışma Karakteristik eğrilerinden faydalanılarak değerlendirilmiştir.
