基于深度学习的血清图像的血液凝块和纤维素识别方法
Jianping Hou1, Weihong Ren2, Wanli Zhao1
1Autobio Labtec Instruments Co.,Ltd, Zhengzhou Henan 450016, China.
Clinica chimica acta; international journal of clinical chemistry
|December 21, 2023
概括
改进的UNeXt深度学习模型准确地检测血清图像中的血块和纤维素,改善了主观视觉检查. 这种人工智能驱动的方法提高了临床实验室的诊断准确性和效率.
科学领域:
- 生物医学工程 生物医学工程
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 手动检测血清凝块和纤维素是耗时和主观的.
- 临床实验室当前的视觉检查方法可能导致误判.
- 准确的识别对于实验室前分析至关重要.
研究的目的:
- 开发一种用于检测血清图像中的血栓和纤维素的自动化方法.
- 提高凝块和纤维素识别的准确性和效率.
- 为自动化生化分析提供可靠的基础.
主要方法:
- 使用了改进的UNeXt深度学习细分网络.
- 在自己构建的血清图像数据集上训练网络.
- 应用训练模型用于血液凝块和纤维素的自动细分.
主要成果:
- 在血清图像细分方面获得了0.8707的平均子系数.
- 在临床样本中表现出高性能:95.74%的灵敏度,98.11%的特异性和97.93%的准确性.
- 在超过13,000个临床血清样本中成功识别了血栓和纤维素.
结论:
- 改进的UNeXt网络提供了血清凝块和纤维素的快速和准确的细分.
- 这种自动化方法提高了诊断可靠性.
- 提供生物化学和免疫学装配线中自动取样的关键数据.


