血细胞图像细分和分类:系统性审查
Muhammad Shahzad1, Farman Ali2, Syed Hamad Shirazi1
1Department of Computer Science and Information Technology, Hazara University, Mansehra, Pakistan.
PeerJ. Computer science
|March 4, 2024
概括
这项调查回顾了血液细胞分析的深度学习,强调了细分,分类和特征选择方法,用于诊断白血病和贫血等疾病. 调查结果显示,手动图像采集和形态特征的趋势,表明需要标准化数据集.
科学领域:
- 医学图像分析 医学图像分析
- 计算病理学计算病理学
- 血液学 血液学 血液学
背景情况:
- 血液疾病 (白血病,贫血,淋巴瘤,血症) 涉及白细胞 (WBC) 和红细胞 (RBC) 的异常.
- 准确的诊断依赖于血液学家的专业知识,对计算机辅助诊断 (CAD) 技术越来越感兴趣.
- 现有的调查缺乏整体观点,只关注细分或分类等特定方面.
研究的目的:
- 通过深度学习提供血液图像分析的全面和系统审查.
- 专注于医疗图像处理和WBC和RBC形态表征的深度学习.
- 涵盖细分,分类,特征选择,评估参数和数据集选择.
主要方法:
- 在血液图像分析中对深度学习技术的系统文献综述.
- 对细分,分类,特征选择,评估矩阵和数据集选择方法的分析.
- 专注于白细胞和红细胞的形态特征.
主要成果:
- 研究人员经常手动获取图像 (50%用于WBC细分,60%用于RBC细分).
- 在WBC分类中,ALL-IDB数据集是常见的 (45%),而RBC分类经常使用手工获取的图像 (73%).
- 形态特征是对分类的首选 (55%为白细胞,80%为红细胞).
结论:
- CAD技术,特别是深度学习,可以提高血液疾病的诊断.
- 不一致的数据集选择凸显了对标准化,高质量的数据集的需求.
- 未来的研究应该探索和创新形态特征和标准化数据集.


