形态异常 红血细胞的分类 使用不平衡数据集的融合方法

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的人工智能
• 血液学 血液学 血液学

背景情况:

• 红细胞 (RBC) 对于运输氧气至关重要,但形状 (poikilocytosis) 和大小 (anisocytosis) 的异常可能表明严重的健康问题,如贫血和血症.
• 血液学家对红细胞进行手动显微镜检查是耗时且容易出错的.
• 红细胞形态的自动分类对于早期和准确诊断血液相关疾病至关重要.

研究的目的:

• 开发和评估一种深度学习策略,利用长短期记忆 (LSTM) 神经网络进行异常红细胞的自动分类.
• 通过融合传统和高级特征并解决阶级不平衡问题,提高分类准确性.
• 在不同的数据集上验证拟议的方法,并将其性能与现有的基准模型进行比较.

主要方法:

• 基于长期短期记忆 (LSTM) 的神经网络被用于RBC分类.
• 传统和高级特征被提取和融合,以改善异常红细胞类别之间的区别.
• 通过将类权重集成到交叉损失中来设计一个自定义的损失函数,以减轻类失衡的影响.
• 该模型在Chula-PIC-Lab数据集和Cachar癌症医院和研究中心 (CCHRC) 的私人数据集上进行了训练和评估.

主要成果:

• 提出的基于LSTM的深度学习方法在Chula-PIC-Lab和CCHRC数据集上实现了高平均F1分数和准确性.
• 该方法与基准模型相比表现优越,包括Custom CNN,Custom LSTM,Efficient Net-B1,SMOTE,混合NN和HPKNN.
• 定制损失函数有效地解决了类不平衡问题,从而对代表性不足的异常RBC类型进行了更强大的分类.

结论:

• 开发的基于LSTM的深度学习策略为分类异常红细胞提供了准确有效的自动化方法.
• 这种方法有可能在早期诊断和治疗血液相关疾病方面显著帮助血液学家.
• 功能融合和自定义丢失函数技术有效地提高了医疗图像分类任务的深度学习模型的性能.