使用具有循环学习速率的深度DenseNet来分类白细胞以识别白血病.
Essam H Houssein1, Osama Mohamed2, Nagwan Abdel Samee3
1Faculty of Computers and Information, Minia University, Minia, Egypt.
Frontiers in oncology
|September 29, 2023
概括
这项研究引入了使用DenseNet-161和循环学习率的深度学习方法,用于准确的白细胞 (WBC) 分类,在白血病检测中达到99.8%的准确性. 这种方法增强了血液学疾病的诊断能力.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 准确的白细胞 (WBC) 分类对于诊断白血病等血液学疾病至关重要.
- 血细胞分析的传统方法可能耗时且主观.
- 深度学习 (DL) 为自动化血细胞分类提供了先进的解决方案.
研究的目的:
- 开发和实施一个端到端的计算机辅助诊断 (CAD) 系统用于白细胞分类.
- 使用深度学习技术提高WBC分类的准确性和效率.
- 改善白血病和其他血液相关疾病的检测和诊断.
主要方法:
- 利用来自GitHub的微观血细胞图像数据集.
- 实施了一个集成系统,包括图像预处理,细分,特征提取和WBC分类.
- 使用DenseNet-161结合循环学习速率 (CLR) 和一循环技术,实现快速超参数优化和提高训练性能.
主要成果:
- 开发的系统在培训数据集上实现了100%的准确性.
- 该系统在测试数据集上显示了99.8%的高精度.
- 结合DenseNet-161和CLR加速了超参数优化,提高了训练性能.
结论:
- 一种使用DenseNet的基于深度学习的新技术和一个一次适合周期的策略已成功开发用于白血病检测中的WBC分类.
- 提出的方法在准确性方面明显优于现有的最先进的方法.
- 这种先进的CAD系统有望更准确,更有效地诊断出血性恶性瘤.


