象群养殖优化基于特征的快速RCNN用于分类白血病阶段
概括
这项研究介绍了LEU-EHO NET,这是一种用于在血液涂抹图像中准确检测白血病的新型深度学习模型. 该模型实现了99.30%的准确性,大大改善了诊断这种癌症的现有方法.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 医疗保健中的人工智能
背景情况:
- 白血病是一种骨髓和血液癌症,其特征是异常的白细胞增殖.
- 精确及时诊断急性白血病对于放射科医生来说至关重要,但也是具有挑战性的.
- 目前的诊断方法可能耗时,需要提高精度.
研究的目的:
- 开发和评估一种新的深度学习模型,LEU-EHO NET,用于自动化白血病细胞分类.
- 为了提高白血病诊断的准确性和效率,从血液涂抹图像.
- 解决手动诊断在识别白血病方面的局限性.
主要方法:
- 血液涂抹图像通过正常化和裁剪进行了预处理.
- 使用MobileNet从预处理的图像中提取特征.
- 象群优化 (EHO) 被用于相关特征选择.
- 更快的R-CNN被训练使用选定的特征来分类白血病感染和无白血病图像.
主要成果:
- 拟议的LEU-EHO NET的总准确率达到了99.30%.
- 与Inception v3,XGBoost,VGGNet,DNN,SVM和MobilenetV2.2相比,LEU-EHO NET表现出了更高的性能.
- 该模型显示,与基线方法相比,准确度显著提高.
结论:
- 在LEU-EHO NET模型中显示出在血液涂抹中精确检测白血病的高潜力.
- 需要进一步的研究来改善重叠细胞的细分,以提高准确性.
- 探索不同的深度学习架构可以进一步提高分类性能.
