DLBCNet:用于分类血液细胞的深度学习网络
Ziquan Zhu1, Zeyu Ren1, Siyuan Lu1
1School of Computing and Mathematical Sciences, University of Leicester, Leicester LE1 7RH, UK.
概括
这项研究介绍了DLBCNet,这是一种用于多类血细胞分类的新型深度学习网络. 该模型实现了高精度,证明了血液细胞分析性能的提高.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 血液分析提供了重要的健康见解.
- 深度学习 (DL) 模型越来越多地用于自动化血细胞分析.
- 目前用于血液细胞分析的DL模型存在局限性.
研究的目的:
- 提出一个新的深度学习网络,DLBCNet,用于血细胞的多重分类.
- 为了提高自动化血细胞诊断的准确性和性能.
主要方法:
- 开发了DLBCNet,结合了用于合成图像生成的血细胞生成对抗网络 (BCGAN).
- 使用预训练的ResNet50作为功能提取的骨干.
- 采用增强型变压器循环网络 (ETRN) 来改进分类.
主要成果:
- 实现了95.05%的平均准确度.
- 报告的平均灵敏度,精度,特异性和F1分数分别为93.25%,97.75%,93.72%和95.38%.
- 与现有最先进的方法相比,表现出优越的性能.
结论:
- DLBCNet显著改善了血液细胞的多分类性能.
- 拟议的模型为自动化血液学分析提供了有希望的进步.
- 结果表明DLBCNet在临床应用中的潜力.


