一种混合VGG16-ViT方法与图像处理技术用于改善白细胞分类和疾病诊断:一项回顾性研究
Md Shahin Ali1,2, Md Maruf Hossain1,2, Md Mahfuz Ahmed1,2
1Department of Biomedical Engineering Islamic University Kushtia Bangladesh.
Health science reports
|June 12, 2025
概括
一种新的混合VGG16视觉变压器模型显著提高了白细胞 (WBC) 分类的准确性. 这种人工智能工具为白血病和艾滋病等疾病提供了更快,更准确的诊断.
科学领域:
- 计算生物学 计算生物学
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 白血细胞 (WBC) 对免疫反应至关重要,它们的自动识别有助于诊断白血病和艾滋病等疾病.
- 由于成熟阶段和各种染色方法的形态变异,对白血球细胞进行分类是具有挑战性的.
研究的目的:
- 提高WBC检测和分类的准确性和效率,使用混合VGG16视觉变压器 (VGG16-ViT) 模型.
- 在多个数据集上评估VGG16-ViT模型的性能.
主要方法:
- 实施了一种混合VGG16-ViT模型用于WBC识别.
- 在模型训练之前采用了预处理技术,包括数据规范化,分类变量编码,特征提取和数据增强.
- 在两个不同的数据集上训练和评估模型.
主要成果:
- 实现了高的分类成功率:数据集1上的98.12%,数据集2上的99.60%.
- 表现出卓越的性能指标:平均精度,回忆和F1分数在两个数据集上都超过98%.
- 观察到预处理显著提高了分类准确性,优于现有方法.
结论:
- 混合VGG16-ViT模型与预处理相结合,大大改善了WBC检测和分类.
- 该模型的高效培训方法比其他转移学习模型提供了时间优势.
- 该工具可以帮助医疗专业人员及时诊断WBC相关疾病.
更多相关视频
09:48Discrimination and Characterization of Heterocellular Populations Using Quantitative Imaging Techniques
Published on: June 30, 2017
7.4K
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.4K
