基于PSO的深度学习神经网络用于从显微镜图像中诊断白血病细胞疾病
Hamsa Almahdawi1, Ayhan Akbas2, Javad Rahebi3
1Computer Engineering Department, Cankiri Karatekin University, Cankiri, Turkey.
Journal of imaging informatics in medicine
|March 21, 2025
概括
这项研究引入了一种深度学习方法,用于从显微镜图像中诊断白血病. 该方法将特征提取与优化技术相结合,实现了早期癌症检测的高精度.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 人工智能在医学中的应用
背景情况:
- 白血病是一种起源于骨髓的异常白细胞 (WBC) 的癌症.
- 准确及时诊断对于有效治疗白血病至关重要.
- 在显微镜图像中识别白血病细胞,由于其复杂的特征,存在重大挑战.
研究的目的:
- 从显微镜图像开发一个深度学习模型来诊断白血病.
- 优化特征选择使用元启发算法,以提高诊断准确度.
- 评估不同机器学习分类器与拟议的方法一起的性能.
主要方法:
- 利用深度学习从白血病图像中提取初始特征.
- 使用粒子群优化 (PSO) 和群优化 (ACO) 进行特征选择.
- 应用决策树 (DT),支持矢量机 (SVM) 和K-近邻 (K-NN) 进行分类.
- 使用googlenet和resnet-50架构测试的模型.
主要成果:
- 使用GoogleLeNet的PSO实现了97.4% (SVM),92.3% (K-NN) 和85.9% (DT) 的精度.
- 使用ResNet-50的ACO产生了100% (SVM),94.9% (K-NN) 和92.3% (DT) 的卓越精度.
- 提出的深度学习和优化方法表现出高的诊断性能.
结论:
- 开发的深度学习方法与优化的特征选择显示了对准确的白血病诊断的重大前景.
- 这种方法为用于癌症检测的显微镜图像的自动分析提供了潜在的工具.
- 进一步验证可能会提高其在早期白血病检测中的临床适用性.
