基于混合深度学习的急性淋巴细胞白血病分类的增量学习,使用血涂片图像
Smritilekha Das1, K Padmanaban1
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Vaddeswaram, AP, India.
Computational biology and chemistry
|April 13, 2025
概括
一个新的触角沙猫群优化-长期短期记忆-LeNet (TSCO-L-LeNet) 模型使用血液涂抹图像准确地分类急性淋巴细胞白血病. 这种方法为白血病检测提供了更快,更安全,更具成本效益的诊断方法.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 血液学 血液学 血液学
背景情况:
- 白血病是一种常见的血液癌症,其特点是骨髓中不规则的不成熟恶性细胞的产生.
- 早期检测和治疗对于管理白血病至关重要,因为它会损害免疫系统,并可能致命.
- 为了检测白血病,手动显微镜分析血涂片是耗时和劳动密集的.
研究的目的:
- 开发一种自动化和精确的方法来分类急性淋巴细胞白血病 (ALL) 使用显微镜血液涂抹图像.
- 引入一个增量学习模型,TSCO-L-LeNet,用于增强白血病诊断.
- 为了提高白血病诊断的速度,准确性和安全性.
主要方法:
- 使用自适应中间波器进行图像预处理,并使用Scribble2label进行细分.
- 图像增强和从细分图像中提取特征.
- 使用长期短期记忆-LeNet (L-LeNet) 来对ALL进行分类,并进行增量学习,并通过触角沙猫群优化 (TSCO) 为权力训练进行优化.
主要成果:
- 该TSCO-L-LeNet模型实现了高性能指标.
- 获得了0.987的准确性,0.977的真负率 (TNR) 和0.979.97的精度.
- 证明了低的假负率为0.033和假阳性率为0.023,回忆率为0.967.
结论:
- 拟议的TSCO-L-LeNet模型为急性淋巴细胞白血病的分类提供了一个高度准确和高效的自动化系统.
- 使用这种模型的血液涂抹图像显著减少了诊断时间,提高了准确性.
- 这种方法为白血病诊断服务提供了更便宜,更快,更安全的替代方案.
