一个基于注意力的深度学习,用于急性淋巴细胞白血病分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 血液学 血液学 血液学

背景情况:

• 急性淋巴细胞白血病 (ALL) 是一种骨髓恶性瘤,其特征是过度生产不成熟细胞.
• 美国每年所有诊断接近6500例,占儿童癌症的很大一部分.
• 计算机辅助诊断 (CAD) 系统对于血液学家来说越来越重要,以管理数据并提高诊断准确性.

研究的目的:

• 引入一种新的深度扩展残留卷积神经网络 (DDRNet),用于自动化血细胞分类.
• 为了提高特征提取和分类准确性,用于早期检测急性淋巴细胞白血病 (ALL).
• 为应对CAD系统中的挑战,如消失梯度和特征歧视.

主要方法:

• 该研究开发了一个DDRNet模型,其中包括深度残留扩展块 (DRDB),全球和本地特征增强块 (GLFEB),道和空间注意力块 (CSAB).
• 该模型利用Tanh和sigmoid激活函数来实现非线性和特征度.
• 一个Kaggle数据集包括16,249张血液细胞图像,分为四个类别,用于训练 (80%) 和测试 (20%).

主要成果:

• DDRNet模型实现了99.86%的高训练精度和91.98%的测试精度.
• 该模型显示了0.96的显著F1得分,表明了强大的分类性能.
• 集成DRDB,GLFEB和CSAB块增强了具有最小计算复杂性的特征歧视.

结论:

• 与现有方法相比,DDRNet模型在多类血细胞分类中提供了优越的性能.
• 拟议的架构有效地解决了用于ALL检测的特征提取和分类方面的挑战.
• 作为血液病学家的先进CAD工具,DDRNet显示出有前途,提高了诊断效率和准确性.