基于注意力的智能转移学习模型,用于精确区分骨髓污点,以诊断血液学障碍
Hani Alshahrani1, Gunjan Sharma2, Vatsala Anand2
1Department of Computer Science, College of Computer Science and Information Systems, Najran University, Najran 66462, Saudi Arabia.
Life (Basel, Switzerland)
|October 28, 2023
概括
这项研究开发了一个深度学习框架,将骨髓细胞分为七类. 微调的DenseNet121模型实现了97.01%的准确性,有助于早期发现白血病等疾病.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 血液学 血液学 血液学
背景情况:
- 骨髓 (BM) 细胞分类对于诊断白血病和贫血等血液病至关重要.
- 准确的分类有助于监测患者的健康状况,并指导治疗策略.
- 目前的方法需要强大的计算工具来进行精确和高效的分析.
研究的目的:
- 提出一个深度学习框架,将骨髓细胞分为七个不同的类别.
- 为此分类任务评估各种转移学习模型的性能.
- 为准确的骨髓细胞诊断开发一个优化的模型.
主要方法:
- 在骨髓数据集上实施了五种转移学习模型 (DenseNet121,EfficientNetB5,ResNet50,Xception,MobileNetV2).
- 微调了性能最好的DenseNet121模型,增加了额外的层和优化的超参数 (优化器,批量大小).
- 将注意力机制集成到DenseNet121模型中,以加强对关键图像区域的关注.
主要成果:
- 微调的DenseNet121模型实现了99.97%的训练精度和97.01%的测试精度.
- 进行了超参数优化,包括批量大小和优化器,以选择最佳模型配置.
- 注意力机制的整合进一步提高了模型在分类骨髓细胞中的性能.
结论:
- 拟议的微调和注意力集成的DenseNet121模型为骨髓细胞分类提供了一个强大的解决方案.
- 这种深度学习方法可以显著帮助医学研究和血液学疾病的临床诊断.
- 准确的BM细胞分类有助于早期预防和治疗疾病,特别是白血病等疾病.
