基于空间特征学习网络的血液学疾病的计算机辅助诊断检测,使用血细胞图像

科学领域:

• 生物医学成像分析分析
• 血液学 血液学 血液学
• 人工智能在医学中的应用

背景情况:

• 精确诊断血液学疾病对于患者管理至关重要.
• 传统的血液癌症检测方法面临着大数据集和复杂模式的挑战.
• 机器学习和深度学习为分析医疗数据提供了先进的功能.

研究的目的:

• 引入一种基于混合模型的空间特征学习网络 (CADHDD-SFLNHM) 的新型血液疾病计算机辅助诊断检测,以改进血液疾病的检测和分类.
• 为了利用深度学习技术来分析白细胞 (WBC) 图像以预测疾病.
• 为了提高诊断血液病的准确性和效率.

主要方法:

• 使用索贝尔过器 (SF) 进行图像预处理,以提高血细胞图像质量.
• 使用修改后的LeNet-5模型捕获关键细胞特征的特征提取.
• 使用卷积神经网络-双向门循环单元与注意力 (CNN-BiGRU-A) 模型对疾病进行分类和检测.
• 使用鱼优化算法 (POA) 对CNN-BiGRU-A模型进行超参数优化.

主要成果:

• 该CADHDD-SFLNHM模型在检测和分类血液学疾病方面表现出卓越的性能.
• 在基准数据库上的实验分析显示,准确率高达97.91%.
• 拟议的混合模型在诊断准确性方面明显优于现有技术.

结论:

• 该CADHDD-SFLNHM方法提供了一个高度准确和有效的方法,用于通过血液细胞图像来诊断血液学疾病.
• 空间特征学习网络和混合深度学习模型的整合在医学诊断中显示出重大前景.
• 这种人工智能驱动的系统有可能提高早期检测率,并指导血液学中的临床决策.