生物网数据集:基于人工智能的诊断解决方案,使用外周血液涂抹图像
Usman Ali Shams1, Isma Javed2, Muhammad Fizan2
1Department of Hematology, University of Health Sciences (UHS), Khayaban-e-Jamia Punjab, Lahore 54600, Pakistan.
Blood cells, molecules & diseases
|January 19, 2024
概括
这项研究介绍了Bio-Net数据集用于自动化血细胞分析. 像YOLO这样的人工智能驱动的深度学习模型,可以从外围血液涂抹图像中精确检测和计数红细胞,白细胞和血小板.
科学领域:
- 血液学 血液学 血液学
- 医学诊断 医学诊断 医学诊断
- 计算机视觉 计算机视觉
背景情况:
- 外周血液涂抹检查对于血液细胞评估至关重要,但是劳动密集型和耗时的.
- 周围血液涂抹分析的自动化方法具有挑战性,但有可能降低成本并提高诊断精度.
- 深度学习技术在克服手动显微镜评估的局限性方面表现有前途.
研究的目的:
- 提供一个大型的,定制的注释血液细胞数据集 (Bio-Net) 用于外周血液涂抹图像分析.
- 开发和评估一个人工智能驱动的系统,用于自动检测和计数血液细胞 (红血细胞,白血细胞,血小板).
- 突出AI和注释数据集在推动生物医学研究和诊断方面的潜力.
主要方法:
- 创建Bio-Net数据集,包括专门的白细胞 (WBC) 分类的迷你版本.
- 训练一个物体检测算法,你只看一次 (YOLO),在Bio-Net数据集上的血细胞识别.
- 将YOLO算法性能与其他公开可用的数据集进行比较,以证明其多功能性.
主要成果:
- 成功开发了Bio-Net数据集,这是血液细胞分析的宝贵资源.
- 演示人工智能驱动的YOLO算法在准确检测和分类红细胞,白细胞和血小板方面的能力.
- 在不同的数据集中验证AI模型的性能和多功能性.
结论:
- 生物网数据集和人工智能驱动的分析为提高外周血液涂抹检查的效率和准确性提供了显著的潜力.
- 使用深度学习的自动化血细胞检测和计数可以增强生物医学研究和临床诊断.
- 这种方法为更精确,更具成本效益的医疗诊断铺平了道路.
