Derin öğrenme temelli nesne tespit yöntemleri kullanılarak insan sperm hücrelerinin tespiti

Authors : Mecit Yüzkat, Hamza Osman İlhan, Nizamettin Aydın

Pages : 482-493

View : 100 | Download : 37

Publication Date : 2024-08-30

Article Type : Research Paper

Abstract :Kısırlık son 50 yılda dünya çapında önemli bir sağlık problemi haline gelmiştir. Dünyanın farklı bölgelerine göre oranı değişen bu problem ortalama olarak dünyadaki her on çiften birini etkilemektedir. Erkek kaynaklı kısırlık teşhisi, sperm kalitesi değerlendirilerek yapılır. Sperm kalitesi araştırılırken sperm sayısı, hareketi ve morfolojik yapısı değerlendirilir. Sperm hareketi ve sayımının analizi öncesinde sperm tespiti önemli bir adımdır. Bu çalışmada, oluşturulan özgün yeni semen video veri kümesi üzerinde Faster R-CNN ve YOLOv3 derin öğrenme yöntemleri kullanılarak otonom sperm tespiti gerçekleştirilmiştir. Çalışma kapsamında oluşturulan bu özgün veri kümesi, mikroskop altında semen örneklerinin cep telefonu yardımı ile elde edilen 10 hastaya ait semen videolarını ve içeriğindeki nesnelerin sperm ve sperm olmayan şeklindeki etiket bilgisini içermektedir. Analiz için hazırlanmış etiketli videolar hasta odaklı ve hasta bağımsız olmak üzere iki senaryo ile değerlendirilmiştir. İlk senaryomuzda etiketli sekiz video birleştirilerek Faster R-CNN ve YOLOv3 modelleri 3 farklı oranda oluşturulmuş veriler ile eğitilmiş ve test edilmiştir. İkinci senaryoda ise eğitilmiş her bir modelimiz daha önce eğitime hiç katılmamış iki video ile test edilmiştir. İkinci senaryomuzda, eğitimine hiç katılmamış videolar kullanılarak algılama performansları değerlendirilmiştir. Yapılan çalışmada YOLOv3 modeli ile bireysel videolarda %96, ortalama da ise %84,5 gibi mAP sperm tespit sonuçları elde edilmiştir. Sonuçlar nesne tespitinin doğruluğu ve eğitim süreleri gibi iki önemli kriter ile karşılaştırıldığında YOLOv3 yöntemi Faster R-CNN yönteminden daha başarılı olduğu gözlemlenmiştir.
Keywords : Kısırlık, Video analizi, Sperm tespiti, YOLOv3, Faster R CNN

ORIGINAL ARTICLE URL