ResRandSVM:在血涂片图像中对急性淋巴细胞白血病分类的混合方法
Adel Sulaiman1, Swapandeep Kaur2, Sheifali Gupta2
1Department of Computer Science, College of Computer Science and Information Systems, Najran University, Najran 61441, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
这项研究引入了ResRandSVM,这是一种深度学习方法,用于检测血液涂抹中的急性淋巴细胞白血病 (ALL). 该方法在识别白血病方面实现了高精度,提供了更快,更精确的诊断工具.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 急性淋巴细胞白血病 (ALL) 是一种迅速进展的癌症,影响白细胞.
- 手动检测ALL是耗时且容易出现错误的.
- 机器学习和深度学习为更快,更准确的ALL诊断提供了潜力.
研究的目的:
- 开发和评估一种基于深度特征选择的方法,用于检测血液涂抹图像中的急性淋巴细胞白血病 (ALL).
- 为了比较各种深度学习模型的性能,用于特征提取和分类.
主要方法:
- 采用了七个深度学习模型 (ResNet152,VGG16,DenseNet121,MobileNetV2,InceptionV3,EfficientNetB0,ResNet50) 来从血液涂抹图像中提取深度特征.
- 使用了三种特征选择方法:差异分析 (ANOVA),主要成分分析 (PCA) 和随机森林.
- 使用Adaboost,支持矢量机 (SVM),人工神经网络 (ANN) 和天真贝叶斯分类器进行分类的图像.
主要成果:
- 该ResRandSVM模型结合了ResNet50用于特征提取,随机森林用于选择和SVM用于分类,证明了卓越的性能.
- 实现了0.900的准确性,0.902的精度,0.957的回忆力和0.929.9的F1得分.
- 表明深度学习和特征选择在改善ALL检测方面的有效性.
结论:
- 拟议的ResRandSVM方法为检测急性淋巴细胞白血病提供了一种高效和准确的方法.
- 深度学习技术与强大的特征选择相结合,可以显著提高血液恶性瘤的诊断能力.
- 这种自动化方法有望提高ALL诊断的速度和可靠性.
关键词:
密集的网络121有效网B0 有效网B0开始V3 开始V3移动网络V2 移动网络V2在ResNet152中使用.在 ResNet50 中,ResNet50 提供了更多信息.在VGG16中,VGG16是VGG16中的一个.急性淋巴细胞白血病急性淋巴细胞白血病这是Adaboost的推广.分析差异的分析.人工神经网络的人工神经网络深度学习是一种深度学习.机器学习是机器学习.朴素的贝叶斯就是一个白痴.主要组件分析的主要组件分析随机的森林随机的森林支持矢量机器的支持矢量机器更多相关视频
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.6K
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
14.0K
