基于新型卷积神经网络的急性淋巴细胞白血病细胞和淋巴细胞亚型的自动分类
Morteza MoradiAmin1,2, Mitra Yousefpour1, Nasser Samadzadehaghdam3
1Department of Physiology, Faculty of Medicine, AJA University of Medical Sciences, Tehran, Iran.
Microscopy research and technique
|March 6, 2024
概括
这项研究引入了一种新型的卷积神经网络 (CNN),用于准确的急性淋巴细胞白血病 (ALL) 的自动诊断,在没有手动特征提取的情况下,在区分ALL与类似的淋巴细胞亚型时达到97%的准确性.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算生物学是一种计算生物学.
- 图像分析 图像分析
背景情况:
- 急性淋巴细胞白血病 (ALL) 诊断依赖于手动形态分析,这耗时且容易出现错误.
- 将ALL与相似的淋巴细胞亚型区分开来,在手动诊断中是一个重大挑战.
- 需要自动化系统来提高ALL检测的准确性和效率.
研究的目的:
- 开发一种自动化系统,准确分类ALL细胞.
- 在没有手动特征提取的情况下,将ALL与正常,非典型和反应性淋巴细胞区分开来.
- 评估一种新的卷积神经网络 (CNN) 与已建立的深度学习模型相比.
主要方法:
- 图像预处理使用图表图平衡来增强对比度.
- 模糊的C-意味着对细胞核进行强大的细分.
- 一个新的三层CNN用于将细分核分为六个不同的类别.
主要成果:
- 拟议的CNN在分类六种ALL和淋巴细胞亚型时达到约97%的准确性.
- 在这个分类任务中,该模型的表现优于VGG-16,DenseNet和Xception.
- 性能超过了以6类ALL诊断为重点的现有研究.
结论:
- 深度神经网络可以有效地消除在ALL分类中需要手动特征提取的需要.
- 开发的CNN为所有诊断提供了一个高度准确和高效的自动化解决方案.
- 这种方法在改善儿科癌症诊断方面显著有前途.
更多相关视频
09:11Automation of the Micronucleus Assay Using Imaging Flow Cytometry and Artificial Intelligence
Published on: January 27, 2023
2.1K
05:24Two Flow Cytometric Approaches of NKG2D Ligand Surface Detection to Distinguish Stem Cells from Bulk Subpopulations in Acute Myeloid Leukemia
Published on: February 21, 2021
4.2K
