在全幻灯片图像中使用修改后的UNet模型自动识别淋巴细胞
Gurjinder Kaur1, Meenu Garg1, Sheifali Gupta1
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura 140401, Punjab, India.
Diagnostics (Basel, Switzerland)
|October 14, 2023
概括
一个修改后的UNet模型准确地检测细胞在脏组织图像中,改善早期诊断脏疾病. 这种人工智能方法增强了特征提取,以更好地识别这些重要的血液过单元.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 皮层的血液过单元glomeruli是健康的关键指标.
- 淋巴细胞损伤与脏疾病 (如淋巴细胞炎和淋巴细胞硬化) 有关,可能导致慢性脏疾病和功能衰竭.
- 早期检测球异常对于有效的病管理至关重要.
研究的目的:
- 开发和评估一个修改后的UNet模型,用于在整片脏组织图像中准确检测淋巴细胞.
- 增强UNet模型的特征提取能力,以提高诊断准确度.
- 将修改后的UNet模型的性能与现有方法进行比较.
主要方法:
- 一个UNet深度学习模型通过调整过器计数,特征地图尺寸和网络深度进行了修改.
- 该数据集由50486个组织图像补丁 (512x512像素) 组成,来自20个整片图像.
- 使用包括准确性,精度,回忆和F1分数在内的指标来评估性能.
主要成果:
- 修改后的UNet模型实现了高性能:95.7%的准确性,97.2%的精度,96.4%的回忆率和96.7%的F1分数.
- 与原来的UNet,UNet with EfficientNetb3和当前最先进的方法相比,所提出的模型表现出更高的性能.
- 该模型准确地在脏组织贴片内识别了淋巴细胞.
结论:
- 修改后的UNet模型为在数字病理学中检测质细胞提供了强大而准确的解决方案.
- 这种人工智能驱动的方法显示了改善病的早期诊断和管理的巨大潜力.
- 增强的UNet架构提供了卓越的特征提取,用于精确的球体识别.
