Özellik seçim algoritmaları ve derin öğrenme tabanlı mimarilerin hibrit kullanımıyla akut lösemilerin sınıflandırılması

Authors : Fatma AKALIN, Nejat YUMUSAK

Pages : 256-263

View : 16 | Download : 17

Publication Date : 2023-06-27

Article Type : Research Paper

Abstract :Tıp ve biyoloji alanlarında tercih edilen mikrodizi teknolojisi, kantitatif veya niteliksel veriler üreten bir analiz yöntemidir. Genler arasındaki örüntülerin açığa çıkartılarak yorumlanabilmesi için güçlü bir potansiyel barındırmaktadır. Bu potansiyeli ortaya çıkarmak için genler ile ilişkili kanser hastalıkları üzerinde moleküler değerlendirme sağlamak mümkündür. Ancak mikrodizi veri kümeleri, yüksek boyutlu bir yapıya sahiptir. Bu durum makine öğrenmesinde boyutluluğun laneti olarak bilinmektedir. Mikrodizi veri kümeleri üzerinde değerlendirme sürecinin kolaylaştırılması için bilgisayar destekli sistemler kullanılarak uzmanlara yardımcı bir fikir verilmesi temel amaçtır. Bu çalışmada akut lösemilerin sınıflandırılabilmesi için yüksek boyut sunan mikrodizi veri kümesi analiz edilmiştir. Çalışmanın ilk aşamasında, hastalıkla ilişkili genlerin veri kümesinden seçilebilmesi için karınca kolonisi, balina ve parçacık sürü optimizasyon algoritmaları kullanılmıştır. Seçilen potansiyel genler klasik makine öğrenmesi algoritmaları ile değerlendirilmiştir. Çalışmanın ikinci aşamasında elde edilen bu genler, dalgacık dönüşümü yöntemi ile spektrogramlar olarak ifade edilmiştir. Çalışmanın üçüncü aşamasında, spektrogramlardaki yerel kontrastın iyileştirilmesi için CLAHE yöntemi kullanılmıştır. Son olarak elde edilen iyileştirilmiş spektrogramlar; aktarım öğrenme mimarileri ve DGCNNinsert ignore into journalissuearticles values(derin graf evrişimsel sinir ağı); yaklaşımı ile sınıflandırılmıştır. Karınca, parçacık sürü ve balina özellik seçim algoritmaları kullanılarak seçilen genlerin spektral yoğunluk bilgisinin ifade edildiği spektrogramların DGCNN yaklaşımı ile sınıflandırılmasının sonucunda elde edilen maksimum başarı oranları sırasıyla %93.33, %86.6 ve %86.6 olarak bulunmuştur.
Keywords : Mikrodizi teknolojisi, Doğadan ilham alan optimizasyon algoritmaları, Sürekli dalgacık dönüşümü tekniği, Derin graf evrişimli sinir ağı yaklaşımı, ALL ve AML malignitelerinin sınıflandırılması