BSNEU-net:基于区块特征地图扭曲和可切换规范化的强化联盟网络,用于对异质数据集的急性白血病检测
Rabul Saikia1, Roopam Deka2, Anupam Sarma3
1Department of Electronics and Communication Engineering, National Institute of Technology Meghalaya, Shillong, India. p21ec003@nitm.ac.in.
Journal of imaging informatics in medicine
|September 25, 2024
概括
这项研究介绍了BSNEU-net,这是一种用于检测急性白血病的深度学习框架. 该模型在新型和组合数据集上实现了超过99%的准确性,有助于快速识别疾病.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 急性白血病,包括急性淋巴细胞白血病 (ALL) 和急性髓性白血病 (AML),涉及不成熟白细胞的快速增殖.
- 深度学习 (DL) 和人工智能 (AI) 提供了在医学科学中提高诊断准确性和效率的潜力.
- 准确及时诊断急性白血病对于有效的患者治疗和结果至关重要.
研究的目的:
- 提出一个新的深度学习框架,BSNEU-net,用于通过血液涂抹图像准确检测急性白血病.
- 通过结合特定的架构组件来解决DL模型通用化和过拟合方面的挑战.
- 评估拟议框架对新创建的数据集和组合异质数据集的性能.
主要方法:
- 开发BSNEU-net框架,包括4个联盟区块 (UB),用于特征提取的联盟卷积.
- 集成区块特征地图扭曲 (BFMD) 以最大限度地减少过拟合和增强泛化.
- 包含可切换的规范化 (SN) 层,以改善模型融合,克服批量规范化的局限性.
主要成果:
- 该BSNEU-net模型实现了高精度,在2400张图像 (ALL,AML,健康) 的新型数据集上达到99.37%.
- 在2700张图像的异质数据集 (公共数据集组合) 上,该模型达到99.44%的准确性.
- 对比分析表明,拟议的BSNEU-net方法比现有方案优越.
结论:
- 拟议的BSNEU-net框架在检测急性白血病方面表现出卓越的表现.
- 新的架构组件,BFMD和SN,有助于改进模型的概括性和准确性.
- 这种基于DL的方法在帮助临床医生快速准确诊断急性白血病方面显著有前途.
