相关实验视频

Updated: May 6, 2026

Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
08:58

Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning

Published on: November 19, 2018

11.5K

多任务高级卷积神经网络,用于强大的淋巴细胞白血病诊断,分类和细分

Sercan Yalcin1, Zuhal Cetin Yalcin2, Muhammed Yildirim3

  • 1Computer Engineering, Adiyaman University, Adiyaman, Turkey.

PeerJ. Computer science
|September 24, 2025
PubMed

Insights

一个新的多任务高级卷积神经网络 (MTA-CNN) 能够在医学图像中准确检测急性淋巴细胞白血病 (ALL). 这种深度学习方法提高了这种血液性恶性瘤的诊断效率和准确性.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 血液学 血液学 血液学

背景情况:

  • 急性淋巴细胞白血病 (ALL) 是一种关键的血液恶性瘤,需要精确和及时的诊断以有效管理患者.
  • 目前对ALL的诊断方法可能耗时,并且可能从先进的计算方法中受益.

研究的目的:

  • 引入和评估一种新的多任务高级卷积神经网络 (MTA-CNN),用于在医学成像数据中同时检测和分类ALL.
  • 评估MTA-CNN在改善ALL相关特征的诊断准确性,效率和定位方面的表现.

主要方法:

  • 开发一个深度学习框架,MTA-CNN,利用卷积神经网络 (CNN) 来从医疗图像中提取特征.
  • 实施多任务学习策略,包括表达式分类和疾病检测,以增强特征通用性.
  • 应用非最大抑制来完善检测结果,并分析面部标志局部化以识别与ALL相关的异常.

主要成果:

  • MTA-CNN实现了高性能指标,包括0.978的准确性,0.979的精度,0.967的召回率和0.973.97的F1得分.
  • 该模型与基线方法相比显示出更高的性能,其特异性为0.991和负预测值 (NPV) 为0.990.
  • 实现了关键面部标志的准确定位,为进一步分析ALL相关变化提供了宝贵的见解.

结论:

  • 在医学成像中,MTA-CNN框架提供了一种强大而准确的检测和分类急性淋巴细胞白血病的方法.
  • 多任务学习方法和级联CNN结构有助于改进特征学习和诊断性能.
  • 这种新的框架显示出在临床环境中提高ALL诊断的效率和准确性的巨大潜力.
抽象的

No abstract available in PubMed .

关键词:
人工智能的人工智能是人工智能.卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.淋巴细胞白血病 (Lymphoblastic Leukemia) 是一种淋巴细胞白血病.

相关概念视频

Classification of Leukocytes01:30

Classification of Leukocytes

Leukocytes are classified into two groups based on the presence or absence of cytoplasmic granules. Granular leukocytes, which contain granules, belong to the myeloid lineage and are divided into three subtypes: neutrophils, eosinophils, and basophils. These cells are roughly spherical and characterized by the granules in their cytoplasm.
Neutrophils are the most abundant type of granular leukocytes, comprising 50-70% of all leukocytes. They feature small, evenly distributed granules and a...
5.0K