提高白细胞分类的可通用性,使用少量射击域适应

科学领域:

• 血液学 血液学 血液学
• 医疗成像医学成像
• 计算机科学 计算机科学

背景情况:

• 细胞核血细胞 (WBCs) 的形态分类对于诊断血液病至关重要.
• 深度学习模型经常与域移动作斗争,未能在不同的图像源中进行概括.
• 现有的域适应技术可能会在计算上昂贵,并改变原始细胞图像.

研究的目的:

• 开发一个易于实施的工作流程,以便在各种数据集中进行强大的WBC分类.
• 为了应对自动化细胞图像分析领域转移的挑战.
• 评估颜色转换和微调的有效性,以提高模型通用性.

主要方法:

• 在一个源数据集 (两个源) 上训练了一个EfficientNet模型,并在使用最小注释图像 (<100) 的八个目标数据集上进行了微调.
• 应用了颜色转换来标准化来自源和目标数据集的图像.
• 一项废除研究评估了色彩转换和微调的影响,得到了散射图和错误分析的支持.

主要成果:

• 微调的模型在所有八个目标数据集上都实现了>80%的准确性.
• 在超过一半的目标数据集中,准确度超过了90%.
• 工作流显示了在具有低计算成本的目标数据集上的显著性能改进.

结论:

• 拟议的工作流有效地提高了WBC分类的深度学习模型的通用性.
• 标准化的色彩转换与微调相结合,为域转移提供了一个计算效率高的解决方案.
• 这种方法为使用各种图像数据可靠的自动化血液病诊断提供了一个有希望的方法.