评估深度学习培训策略,用于骨髓细胞图像的分类
Stefan Glüge1, Stefan Balabanov2, Viktor Hendrik Koelzer3
1Institute of Computational Life Sciences, Zurich University of Applied Sciences, Schloss 1, 8820 Wädenswil, Switzerland.
Computer methods and programs in biomedicine
|November 18, 2023
概括
使用深度学习模型对骨髓细胞的自动分类显示出显著的改善. 域外预训练提高了血液学诊断的性能,有助于计算机辅助识别.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 骨髓细胞的手动分类对于血液学诊断至关重要,但耗时且容易引起观察者之间的变化.
- 需要可靠的自动化系统来提高细胞分类的效率和准确性.
研究的目的:
- 使用卷积神经网络 (CNN) 架构增强血液细胞类型的自动分类性能.
- 评估域内与域外预训练对CNN模型性能的影响.
- 用类激活地图评估CNN预测的可解释性.
主要方法:
- 四个最先进的CNN架构在由骨髓涂抹的171,374个单细胞图像组成的数据集上进行了评估.
- 这项研究比较了域内和域外的预训练策略.
- 类激活地图被用于可视化和解释模型预测.
主要成果:
- 最好表现的模型,Regnet_y_32gf与域外预训练,实现了0.762.76的平均F1得分.
- 与以前从头开始训练的CNN相比,这代表了53.5%的精度改善和7.3%的回忆改善.
- 类激活地图提供了人类可解读的解释,与专家领域的知识保持一致.
结论:
- 这项研究提供了数据,以指导血液学实验室选择最佳的训练策略,用于血液细胞分类中的深度学习模型.
- 这些发现强调了外域预训练的好处,以改善自动细胞识别.
- 强调需要更具体的培训数据,特别是对于具有挑战性的细胞类型和与疾病相关的分类.
