基于机器学习的检测和量化Cholistani牛的红细胞:一个试点研究

科学领域:

• 兽医医学 兽医医学 兽医医学
• 血液学 血液学 血液学
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 准确的红细胞计数对于动物健康诊断至关重要.
• 手工方法是劳动密集型的,容易出现人为错误.
• 探索兽医血液学的自动化,人工智能驱动的解决方案是必不可少的.

研究的目的:

• 开发和评估一种机器学习模型,用于检测和计数Cholistani牛的正常和异常RBC.
• 将支持矢量机 (SVM) 模型的性能与手动计数技术进行比较.
• 评估正常红细胞,滴细胞和细胞的分类准确度和精度.

主要方法:

• 使用了Cholistani牛的预先注释的血液涂抹图像.
• 应用对比度拉伸,细分和大小调整用于图像预处理.
• 采用主要组件分析 (PCA) 来减少特征,并使用SVM模型进行分类,数据增强和80/20列车测试分割.

主要成果:

• 在基于机器学习的和手动的红细胞计数之间没有发现统计学上显著的差异 (P ≥0.05).
• 在SVM模型中,正常红细胞 (87%),滴细胞 (84%) 和细胞 (73%) 的分类概率很高.
• 眼细胞 (0.991) 的精度最高,其次是正常红细胞 (0.965),正常红细胞 (0.932) 和眼细胞 (0.921) 的精度也很高.

结论:

• 机器学习,特别是SVM模型,可以准确准确地检测和计数Cholistani牛的正常红细胞和滴细胞.
• 人工智能方法显示了与手动计数相当的结果,为兽医血液学评估提供了可行的替代方案.
• 建议使用卷积神经网络等深度学习方法进行进一步的研究,以增强红细胞检测能力.