Detection and Counting of Cell Images Using Deep Learning

Zeynep Sözen; Necaattin Barışçı

Makale detayları

Detection and Counting of Cell Images Using Deep Learning

Yazarlar:

Zeynep Sözen | Necaattin Barışçı

Yayıncı:

Gazi University

Ana Başlıklar:

Derin Öğrenme

Dergi:

Politeknik Dergisi Vol.28 Issue 3, pp.909-921

Belge Tipi:

Makale

Yayın Tarihi:

6/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001350494

pISSN:

2147-9429

Anahtar kelimeler:

Özet:

 Cells, as the fundamental units of life, hold significant importance in clinical and academic studies. Cell counting plays a critical role in disease diagnosis and monitoring. Traditional methods, involving machine-based and manual counting, are costly, error-prone, and time-consuming. Therefore, new methods are being developed to reduce costs and increase accuracy. In this study, cell detection and counting were performed using the BBBC005 dataset. U-Net and V-Net models were separately applied for cell detection, and the U-Net model showed better performance. To improve the results further, the U-Net architecture was enhanced with residual blocks. An ensemble architecture combining the original U-Net and the enhanced U-Net was created, achieving an accuracy rate of 96.15. In the second phase, cell counting was performed using the scikit-image library. Each cell identified by the model was individually labeled and marked with a distinct color. These visual results enhanced the studys reliability. This innovative approach, combining different models outputs for better results, offers improvements in cell detection and counting, contributing to the literature.

 Cells, as the fundamental units of life, hold significant importance in clinical and academic studies. Cell counting plays a critical role in disease diagnosis and monitoring. Traditional methods, involving machine-based and manual counting, are costly, error-prone, and time-consuming. Therefore, new methods are being developed to reduce costs and increase accuracy. In this study, cell detection and counting were performed using the BBBC005 dataset. U-Net and V-Net models were separately applied for cell detection, and the U-Net model showed better performance. To improve the results further, the U-Net architecture was enhanced with residual blocks. An ensemble architecture combining the original U-Net and the enhanced U-Net was created, achieving an accuracy rate of 96.15. In the second phase, cell counting was performed using the scikit-image library. Each cell identified by the model was individually labeled and marked with a distinct color. These visual results enhanced the studys reliability. This innovative approach, combining different models outputs for better results, offers improvements in cell detection and counting, contributing to the literature.

 Cells, as the fundamental units of life, hold significant importance in clinical and academic studies. Cell counting plays a critical role in disease diagnosis and monitoring. Traditional methods, involving machine-based and manual counting, are costly, error-prone, and time-consuming. Therefore, new methods are being developed to reduce costs and increase accuracy. In this study, cell detection and counting were performed using the BBBC005 dataset. U-Net and V-Net models were separately applied for cell detection, and the U-Net model showed better performance. To improve the results further, the U-Net architecture was enhanced with residual blocks. An ensemble architecture combining the original U-Net and the enhanced U-Net was created, achieving an accuracy rate of 96.15. In the second phase, cell counting was performed using the scikit-image library. Each cell identified by the model was individually labeled and marked with a distinct color. These visual results enhanced the studys reliability. This innovative approach, combining different models outputs for better results, offers improvements in cell detection and counting, contributing to the literature.

 Hücreler, canlılığın temel yapı birimleri olup, klinik ve akademik çalışmalarda büyük önem taşımaktadır. Hücre sayımı ise hastalıkların teşhisi ve takibinde kritik rol oynar. Hücre sayım yöntemleri, makineler ve insan gözü ile yapılan sayımlar olarak yer almaktadır. Ancak bu yöntemler maliyet, hata oranı ve zaman açısından dezavantajlara sahiptir. Bu nedenle literatürde yeni yöntemler geliştirilmektedir. Bu çalışmada, hücre görüntüleri içeren BBBC005 veri seti kullanılarak hücre tespiti ve sayımı gerçekleştirilmiştir. Çalışmanın ilk aşamasında hücre tespiti U-Net ve V-Net modelleri ayrı bir şekilde uygulanarak yapılmıştır. İki modelin sonuçları karşılaştırıldığında U-Net modelinden daha iyi sonuç alındığı görülmüştür. Elde edilen sonuçları daha da iyileştirmek adına U-Net mimarisi residual bloklar ile geliştirilmiştir ve literatüre katkı sağlanmıştır. Önerilen model olarak U-Net ve geliştirilmiş U-Net mimarisi bir arada kullanılarak bir topluluk mimarisi oluşturulmuştur. Çalışma sonucunda 96,15lik bir doğruluk oranı elde edilmiştir. Çalışmanın ikinci kısmında scikit-image kütüphanesi ile hücre sayımı yapılmıştır. Bu aşamada model tarafından belirlenen her bir hücre scikit-image kütüphanesi ile tek tek etiketlenmiştir ve ayrı bir renk olacak şekilde işaretlenmiştir. Bu görsel sonuçlar, çalışmanın güvenilirliğini artırmıştır. Temel bir modelin geliştirilmesi, farklı iki modelin çıktılarının birlikte kullanılarak daha iyi bir sonuç alınması ile yapılan bu yenilikler, hücre tespiti ve sayımı alanında iyileştirmeler sunmakta ve literatüre katkı sağlamaktadır.

Makale detayları

Detection and Counting of Cell Images Using Deep Learning

Yazarlar:

Zeynep Sözen | Necaattin Barışçı

Yayıncı:

Gazi University

Ana Başlıklar:

Derin Öğrenme

Dergi:

Politeknik Dergisi Vol.28 Issue 3, pp.909-921

Belge Tipi:

Makale

Yayın Tarihi:

6/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001350494

pISSN:

2147-9429

cell

cell counting

u-net

v-net

ensemble modelhücre

hücre sayımı

U-Net

V-Net

Topluluk Mimarisi

Sayı

Makale detayları

Yazarlar: Zeynep Sözen | Necaattin Barışçı

Yayıncı: Gazi University

Ana Başlıklar: Derin Öğrenme

Dergi: Politeknik Dergisi Vol.28 Issue 3, pp.909-921

Belge Tipi: Makale

Yayın Tarihi: 6/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001350494

pISSN: 2147-9429

Sayı

Yazarlar:

Zeynep Sözen | Necaattin Barışçı

Yayıncı:

Gazi University

Ana Başlıklar:

Derin Öğrenme

Dergi:

Politeknik Dergisi Vol.28 Issue 3, pp.909-921

Belge Tipi:

Makale

Yayın Tarihi:

6/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001350494

pISSN:

2147-9429