基于深度学习的图像注释用于白细胞细分和血细胞形态的分类
Vatsala Anand1, Sheifali Gupta1, Deepika Koundal2,3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
BMC medical imaging
|April 8, 2024
概括
这项研究提出了一个深度卷积神经网络 (CNN) 用于细分和分类白细胞,达到97.98%的准确性. 该方法增强了医疗图像分析,用于使用血细胞图像诊断疾病.
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:
- 精确细分和分类白细胞对于诊断各种疾病至关重要.
- 现有的方法在精确识别不同类型的白细胞方面可能面临挑战.
研究的目的:
- 开发和评估一个深度卷积神经网络 (CNN) 模型,用于自动细分和分类四种类型的白细胞 (单细胞,淋巴细胞,乙素,中性细胞).
- 提高医疗成像中白细胞分析的准确性和稳定性.
主要方法:
- 利用图像处理技术进行白细胞细分,包括背景减去和轮.
- 应用数据增强 (亮度,对比度调整,翻转,剪切) 以提高模型的概括性.
- 为特征提取和分类开发了一个具有四个卷积块的深度CNN (11个卷积,8个批量正常化,8个ReLU,4个脱落层).
- 在12444张细分白细胞图像的Kaggle数据集上训练模型.
主要成果:
- 拟议的框架实现了高性能指标:97.98%的准确性和97.97%的精度.
- 证明了CNN模型在准确识别和分类不同白细胞类型中的有效性.
- 精细的预处理和先进的CNN架构为强大的结果做出了贡献.
结论:
- 设计的细分和分类方法对于准确的白细胞识别非常有效.
- 这项研究为血液学疾病的自动化医学图像分析的进步奠定了坚实的基础.
- 图像处理和深度学习的结合显示出临床应用的重大前景.
