用神经网络对白细胞进行细分,特征提取和分类,这是一项比较研究
Tingxuan Fang1,2,3, Xukun Huang1,3, Xiao Chen1,4
1State Key Laboratory of Transducer Technology, Aerospace Information Research Institute of Chinese Academy of Sciences, Beijing, People's Republic of China.
概括
深度学习显著优于自动白细胞分类的传统方法. 这项研究证明了使用深度学习模型进行细胞细分和分类的卓越准确性,从而推进了自动化血液涂抹分析.
科学领域:
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 手动的白细胞与血液涂抹的分化是艰巨的,容易出现人为错误.
- 现有的自动化方法缺乏关于细分,特征提取和分类的全面比较研究.
研究的目的:
- 将传统的机器学习与各种白细胞细分和分类的深度学习模型进行比较.
- 评估不同深度学习架构的功能提取和细胞分类的性能.
主要方法:
- 使用K-means集群 (传统ML) 的细胞细分与U-Net,U-Net+ResNet18,U-Net+ResNet34 (深度学习) 相比.
- 使用AlexNet,VGG16和ResNet18 (深度学习) 的特征提取和分类.
- 在CellaVision,BCCD,ALL-IDB2和PCB-HBC数据集上进行验证.
主要成果:
- 深度学习模型在CellaVision数据集上实现了比K-means (94.36%) 更高的细分精度 (例如99.17%).
- 深度学习分类模型,特别是ResNet18,在CellaVision数据集上达到100%的准确性.
- 在ALL-IDB2和PCB-HBC数据集上证明了高分类准确度 (100%和98.49%).
结论:
- 与传统的机器学习相比,深度学习模型显著提高了白细胞自动分类的准确性和效率.
- 增加神经网络深度可以提高白细胞分类性能.
- 经过验证的深度学习模型显示出在血液学中临床应用的巨大潜力.
更多相关视频
12:42Stereological and Flow Cytometry Characterization of Leukocyte Subpopulations in Models of Transient or Permanent Cerebral Ischemia
Published on: December 28, 2014
15.6K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
