自动识别白细胞图像,使用高效记忆的超像素度量 GNN:SMGNN
Yuanhong Jiang1, Yiqing Shen2, Yuguang Wang3,4
1School of Mathematical Sciences, MOE-LSC, Shanghai Jiao Tong University, Shanghai 200030, China.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
这项研究引入了一种新的,高效的记忆系统,用于使用基于超像素的图形神经网络 (GNN) 自动识别白细胞. 新方法显著提高了血液学分析的效率和准确性.
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
- 血液学 血液学 血液学
背景情况:
- 准确而高效的白细胞识别对于诊断疾病至关重要.
- 目前用于细胞细分的深度学习方法是计算密集的,并且容易在有限的数据中过度匹配.
研究的目的:
- 开发一种新型,高效的记忆图像处理系统,用于自动识别白细胞.
- 提高基于计算机的血液学分析的效率和准确性.
主要方法:
- 提出了一种基于超像素的轻量级图形神经网络 (GNN) 用于图像处理.
- 引入了用于核和细胞质细分的超像素度量学习.
- 开发了一种利用图形结构的新型记忆效率战略.
主要成果:
- 拟议的超像素度谱图神经网络 (SMGNN) 实现了最先进的细分性能.
- 与现有方法相比,SMGNN使用的参数多达1万倍.
- 基于细分的细胞类型分类显示出高精度和效率.
结论:
- 开发的自动白细胞识别系统对于血液学实验室来说是准确和高效的.
- 新的GNN方法为传统的深度学习方法提供了一种记忆效率高的替代方案.
- 该系统有可能协助血液学家诊断疾病.
