血液性恶性瘤的形态诊断使用基于特征融合的深 convolutional 神经网络
D P Yadav1, Deepak Kumar2, Anand Singh Jalal1
1Department of Computer Engineering and Applications, G.L.A. University, Mathura, 281406, India.
Scientific reports
|October 9, 2023
概括
早期发现白血病细胞对于生存至关重要. 一个新的深层卷积神经网络 (CNN) 模型,3SNet,通过图像分析有效地诊断白血病,帮助医生识别血液癌症.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 白血病是一种白细胞癌症,具有显著的死亡风险,需要及早检测血清细胞.
- 当前的诊断方法可能会耗时,突出需要先进的工具来提高效率和准确性.
研究的目的:
- 开发和评估一个名为3SNet的新型深卷积神经网络 (CNN),用于白血病细胞的自动诊断.
- 评估3SNet在使用组合图像特征来识别爆细胞的有效性,以改善诊断支持.
主要方法:
- 一个深度CNN模型,3SNet,包含深度智能卷积块,旨在减少计算负载.
- 该模型使用三种输入类型:灰度图像,面向梯度 (HOG) 的直方图 (Histogram) 用于形状,以及局部二进制模式 (LBP) 用于纹理分析.
- 3SNet模型在AML-Cytomorphology_LMU数据集上进行了训练和验证.
主要成果:
- 该模型的平均精度 (MAP) 在100张图像以下的细胞类型中为84%,在100张图像以上的细胞类型中为93.83%.
- 接受器操作特征 (ROC) 曲线下的面积在测试的细胞类型中超过了98%,表明了高诊断性能.
- 这些结果表明该模型能够根据其形态特征准确地分类白血病细胞.
结论:
- 开发的3SNet模型显示出作为白血病细胞诊断的辅助工具的巨大潜力.
- 它的高准确性和效率表明,它可以作为临床医生有价值的第二意见,潜在地改善患者的治疗结果.
- 进一步融入临床工作流程可以提高白血病的早期检测和管理.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
