在微观血液图像中使用卷积神经网络与双重注意网络相结合的高效白细胞检测和分类

科学领域:

• 医学成像分析 医学成像分析
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 白血细胞 (WBC) 对于诊断疟疾,白血病和艾滋病等疾病至关重要.
• 手动WBC检测和分类是劳动密集型,耗时,容易出现错误.
• 现有的自动化方法需要提高准确性和效率.

研究的目的:

• 为高效的WBC检测和分类开发高性能深度学习模型.
• 加强临床血液学系统,加快医疗诊断过程.
• 为了提高微观图像中WBC分析的准确性和概括性.

主要方法:

• 提出了一个高性能卷积神经网络 (CNN),与双重注意力机制集成.
• 使用深度卷积生成对抗网络 (DCGAN) 来处理有限的训练数据.
• 该模型在周围血液细胞 (PBC),LISC和Raabin-WBC数据集上进行了评估.

主要成果:

• 拟议的CNN模型实现了高准确率:99.83% (PBC),99.35% (LISC) 和99.60% (拉宾-WBC).
• 双重注意力机制显著提高了准确性,效率和概括性.
• 该方法在WBC分类中超过了现有的最先进的方法.

结论:

• 开发的AI模型为准确和快速的WBC检测和分类提供了一个强大的工具.
• 这项技术有可能在现实世界医疗保健中显著提高诊断能力.
• 这项研究强调了深度学习和注意力机制在推进血液学诊断方面的有效性.