一个基于自我监督学习和血细胞多功能融合的细粒度图像分类算法
Nan Jia1, Jingxia Guo1, Yan Li2
1Baotou Medical College, Baotou, 014040, Inner Mongolia, China.
Scientific reports
|October 3, 2024
概括
这项研究引入了改进的视觉转换器模型用于血细胞图像分类,提高了白血病诊断的准确性. 该方法将蒙面自动编码器 (MAE) 预训练与特征融合相结合,以提供更可靠和客观的诊断支持.
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:
- 白血病诊断依赖于手动血细胞图像分析,这是主观的,耗时的.
- 目前的方法在准确性和效率方面面临挑战,可能导致误诊.
研究的目的:
- 开发一种自动化血细胞图像分类方法,用于准确的白血病诊断.
- 通过利用先进的深度学习技术来改进现有的诊断工具.
主要方法:
- 使用面具自动编码器 (MAE) 进行自主监督的TMAMD和Red4数据集预训.
- 采用了一种增强的视觉变压器,来自所有编码器层的功能融合.
- 集成的子中心 Arcface Loss 带有动态边缘,以改善特征表示.
主要成果:
- 实现了最先进的分类准确度:TMAMD上93.51%,Red4.4上81.41%.
- 证明有效利用多层次的功能,包括颜色,纹理和语义.
- 展示了增强的细粒度特征歧视.
结论:
- 拟议的MAE增强视觉转换器方法显著改善了白血病的血细胞图像分类.
- 这种方法提供了一个有希望的,客观的,有效的工具来帮助医生在临床诊断.
- 这些发现代表了推进自动化医疗诊断的宝贵参考.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.4K
