提取感兴趣的区域和选择性特征应用在白血病中的图像分类
Marinela Branescu1, Stephen Swift1, Allan Tucker1
1The Department of Computer Science, Brunel University, West London, United Kingdom.
Studies in health technology and informatics
|April 9, 2025
概括
这项研究提高了使用血涂片图像的白血病检测. 提取感兴趣的区域 (ROI) 提高了卷积神经网络 (CNN) 的准确性,用于分类白血病亚型.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 机器学习在诊断中的应用.
背景情况:
- 精确的白血病诊断从血液涂抹图像对于有效的治疗至关重要.
- 白细胞的形态变化为白血病检测提供了关键特征.
- 有限的数据集可能会阻碍像CNN这样的机器学习模型的性能.
研究的目的:
- 通过使用减少的数据集,探索改善白血病分类准确性的方法.
- 研究特征提取和卷积神经网络 (CNN) 应用对图像分类的影响.
- 评估提取感兴趣区域 (ROI) 的有效性,以提高CNN的性能.
主要方法:
- 利用Otsu值将最初的白血病图像细分为感兴趣的区域 (ROI).
- 创建了两个数据集:原始图像和细分的ROI图像.
- 应用特征提取技术和卷积神经网络 (CNN) 在两个数据集上进行分类分析.
主要成果:
- 特征提取在原始数据集上表现出优异的性能.
- 当应用于ROI数据集时,CNN分类的准确性明显更高.
- 这项研究确定了ROI提取是提高CNN在白血病检测中的表现的关键因素.
结论:
- 从白血病图像中提取感兴趣的区域 (ROI) 可以提高CNN分类的准确性.
- 通过过特定的ROI来进一步细化,可以导致更精确的特征提取和更好的诊断准确性.
- 这种方法为开发更强大的白血病自动检测系统提供了有希望的方向.
