一个可解释的基于AI的血细胞分类,使用优化的卷积神经网络进行分类
Oahidul Islam1, Md Assaduzzaman2, Md Zahid Hasan2
1Dept. of EEE, Daffodil International University, Dhaka, Bangladesh.
Journal of pathology informatics
|August 20, 2024
概括
这项研究引入了一个增强的卷积神经网络 (CNN),用于准确的白细胞 (WBC) 分类. 开发的模型实现了高精度,帮助医疗专业人员诊断疾病.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 准确分类白细胞 (WBCs) 对于疾病诊断至关重要.
- 现有的方法可能会面临噪音的挑战,并在血液细胞图像中进行特征提取.
研究的目的:
- 开发一个增强的卷积神经网络 (CNN),用于精确的血液细胞检测和分类.
- 为了提高医疗应用中CNN模型的可解释性和透明度.
主要方法:
- 利用图像预处理技术 (填充,值,侵蚀,扩张,掩盖) 来增强血细胞图像.
- 优化了CNN架构和超参数,以提高性能.
- 将拟议的模型与转移学习模型进行比较 (Inception V3,MobileNetV2,DenseNet201).
- 使用SHAP,LIME,Grad-CAM和Grad-CAM++来实现模型的可解释性和可视化.
主要成果:
- 拟议的CNN模型实现了测试准确率为99.12%,精度为99%,F1得分为99%.
- 在血液细胞分类方面表现优于Inception V3,MobileNetV2和DenseNet201.
- 在本地化方面,Grad-CAM++在本地化方面表现略高于Grad-CAM.
- 可解释性技术为模型决策提供了洞察力.
结论:
- 增强的CNN为血液细胞分类提供了高度准确和可解释的解决方案.
- 该模型集成到端到端系统 (web和Android) 中,便于医疗专业人员在实践中使用.
- 这一进步支持通过自动化细胞分析更可靠的疾病诊断.
