使用深度学习进行状细胞疾病分类
Sanjeda Sara Jennifer1, Mahbub Hasan Shamim1, Ahmed Wasif Reza1
1Department of Computer Science and Engineering, East West University, Dhaka, Bangladesh.
Heliyon
|December 4, 2023
概括
这项研究探讨了使用图像增强的状细胞疾病 (SCD) 分类的深度学习. 移动网络显示显著改善,而ResNet-50在特定的细胞形状上取得了完美的成绩.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 状细胞疾病 (SCD) 的诊断依赖于精确的细胞形态分析.
- 深度学习为自动化和精确的SCD分类提供了潜力.
研究的目的:
- 评估用于SCD分类的转移和深度学习模型.
- 通过图像增强和对抗测试来增强模型的稳定性.
主要方法:
- 实现了ResNet-50,AlexNet,MobileNet,VGG-16,VGG-19和CNN的模型. 这些模型都在使用中.
- 使用了ErythrocytesIDB数据集与高级图像增强.
- 使用Random Forest和SVM进行了废弃研究,包括超参数调整.
主要成果:
- 对于特定的细胞形状,ResNet-50实现了100%的精度,回忆和F1得分.
- 对于圆形和长长的细胞,AlexNet表现出高精度 (98%) 和回忆率 (99%).
- 在SCD分类中,MobileNet显示了统计学上显著的改善 (p=0.0229).
结论:
- 转移和深度学习模型对SCD分类有希望.
- 图像增强对于数据集的稳定性和模型准确性至关重要.
- 移动网络和ResNet-50表现出强的表现,移动网络显示出显著的统计改善.
