基于急性淋巴细胞白血病的显微镜图像的强有力的分类,使用监督的希尔伯特-黄变换

科学领域:

• 医学成像和诊断 医学成像和诊断
• 计算病理学计算病理学
• 血液学 血液学 血液学

背景情况:

• 急性淋巴细胞白血病 (ALL) 是一种影响血液和骨髓的癌症,主要通过手动血液检测来诊断,这可能耗时.
• 对ALL的诊断过程自动化可以显著提高早期检测的速度和准确性.
• 微观图像的准确分类对于将正常细胞与ALL爆细胞区分开来至关重要.

研究的目的:

• 开发一种改进的,自动化的标准来分类急性淋巴细胞白血病 (ALL) 的显微镜图像.
• 将所有图像分为两个类别:正常图像和爆炸图像.
• 通过先进的图像处理和机器学习技术,提高ALL诊断的效率和准确性.

主要方法:

• 采用创新的图像预处理来进行数据增强,增强和RGB到LAB颜色空间转换.
• 利用K-means集群来有效地从背景对核进行细分.
• 使用基于希尔伯特-黄变换 (HHT) 的实证模式分解 (EMD) 提取突出特征,与各种 MATLAB 函数进行比较.
• 实现了一个神经网络 (NN) 分类器与贝叶斯规范化 (BR),对其他分类器进行评估,如SVM,KNN,随机森林,天真贝叶斯,物流回归和决策树.

主要成果:

• 基于NN的EMD模型在ALL-IDB2数据集上实现了高分类性能.
• 获得了98.7%的准确性,99.3%的灵敏度和98.1%的特异性来对所有图像进行分类.
• 证明了BR算法的有效性与NNs相结合,用于强大的ALL图像分类.

结论:

• 开发的方法为自动化ALL图像分类提供了强大而准确的方法.
• 结合BR和NNs,以及EMD特征提取,显著提高了ALL的诊断能力.
• 这种自动化系统有望更快,更可靠地早期检测急性淋巴细胞白血病.