In this study, acute lymphocyte leukemia scanning was performed by image processing method. Matlab image processing tool as software, 108 microscope images as the data set were used. The microscope imaging system was designed for the scanning of the preparations examined under the microscope, the combining of the obtained images as a whole and transferring them to the computer. K-mean algorithm was used to segment white blood cells from the microscope images and to separate the white blood cells into the core and cytoplasm. While separating the nucleus and the cytoplasm from each other, the cells are processed as a whole, without dividing into sub-images. The cells in contact with each other were successfully separated using the pointer-controlled water-beam algorithm. Many Eigen values of the obtained cells were extracted and these cells were classified with support vector machines by identifying the best results. In this study, data sets were obtained from 410 white blood cells in different combinations. Support vector machines misclassified 3 of 87 cells in the test set and gave the best result with 96.6% success.

Bu çalışmada görüntü işleme yöntemiyle akut lenfosit lösemi taraması yapılmıştır. Yazılım olarak Matlab'ın görüntü işleme aracı, veri seti olarak 108 adet mikroskop görüntüsü kullanılmıştır. Mikroskop görüntülerinin elde edilmesi için mikroskop altında incelenen preparatların taranarak görüntülerin bir bütün haline getirilmesi ve bilgisayar ortamına aktarılması amacıyla mikroskop görüntüleme sistemi tasarlanmıştır. Mikroskop görüntülerinden beyaz kan hücrelerini bölütlemek, beyaz kan hücrelerini çekirdek ve sitoplazma olarak ayırmak için K-ortalama algoritması kullanılmaktadır. Çekirdek ve sitoplazmayı birbirinden ayırırken hücreler alt görüntülere ayrılmadan görüntü bir bütün olarak işlenmektedir. Birbirine temas eden hücreler işaretçi kontrollü su-seddi algoritması kullanılarak başarılı bir şekilde ayrıştırılmaktadır. Elde edilen hücrelerin birçok özniteliği çıkartılmış ve en iyi sonucu veren öznitelikler belirlenerek bu hücreler destek vektör makineleri ile sınıflandırılmaktadır. Bu çalışmada 410 adet beyaz kan hücresinden farklı kombinasyonlarda eğitim ve test veri setleri elde edilmiştir. Destek vektör makineleri, test setindeki 87 hücrenin 3 tanesini yanlış sınıflandırarak %96,6 başarı ile en iyi sonucu vermektedir.