在显微镜成像中确定急性淋巴细胞白血病的可靠方法

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 白血病诊断对于患者的生存至关重要,但是劳动密集型的.
• 使用深层卷积神经网络 (CNN) 的自动化系统可以协助进行微观诊断.
• 预先训练有素的CNNMobileNet提供了一种紧而高效的疾病检测解决方案.

研究的目的:

• 开发和评估一个自动化白血病诊断系统,使用预训练的MobileNet模型.
• 通过先进的数据增强和规范化技术,增强模型的稳定性并防止过拟合.
• 将拟议模型的性能与公共白血病数据集上的现有方法进行比较.

主要方法:

• 部署一个预训练的MobileNet (CNN) 模型用于图像分类.
• 实施L1规范化和一种新的数据集平衡方法 (HSV颜色转换,和消除,高斯噪声添加).
• 对C_NMC_2019数据集的评估,包括添加高斯噪声的稳定性测试.

主要成果:

• 拟议的MobileNet_M模型实现了95.33%的准确性,F1得分为0.95.
• 该模型表现出效率和稳健性,即使添加高斯噪声,也表现良好.
• 与ALNet和其他相同数据集上的现有模型相比,观察到更高的疗效.

结论:

• 开发的自动化系统为白血病诊断提供了一个高效和强大的工具.
• 移动Net_M模型显示了支持实验室技术人员和血液学家的巨大潜力.
• 这项研究强调了先进数据增强和规范化在医学成像深度学习中的有效性.