CoTCoNet:一个优化的合变压器-卷积网络,具有适应性图形重建,用于白血病检测
Chandravardhan Singh Raghaw1, Arnav Sharma2, Shubhi Bansal1
1Department of Computer Science and Engineering, Indian Institute of Technology Indore, Khandwa Road, Simrol, Indore, 453552, Madhya Pradesh, India.
Computers in biology and medicine
|July 7, 2024
概括
一个新的合变压器卷积网络 (CoTCoNet) 框架显著提高了白血病分类的准确性. 这种人工智能模型增强了血液涂抹分析,为血液恶性瘤提供了更有效和可靠的诊断工具.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 准确的血液涂抹分析对于诊断白血病和血液恶性瘤至关重要.
- 手动方法耗时,容易出错,并与细胞分化作斗争.
- 现有的图像处理方法面临着区分良性和恶性细胞形态的挑战.
研究的目的:
- 为自动化白血病分类开发一个先进的计算框架.
- 克服手动分析和传统图像处理技术的局限性.
- 为了提高血液恶性瘤诊断的准确性和效率.
主要方法:
- 提出了合变压器卷积网络 (CoTCoNet) 框架.
- 集成的双特征提取全球和空间模式.
- 采用基于图形的模块,元启发式优化和白细胞细分/合成.
主要成果:
- 在一个大数据集 (16,982 个细胞) 上实现了高精度 (0.9894) 和F1-Score (0.9893).
- 在各种数据集上表现出比最先进的方法更优异的性能.
- 在多个公共数据集中验证了通用性.
结论:
- 在白血病分类准确性和效率方面,CoTCoNet提供了显著的进步.
- 该框架提供了可解释的可视化,有助于临床解释.
- CoTCoNet显示出在血液学诊断中临床应用的巨大潜力.
