通过使用深度学习架构的分散介质通过无镜头的自动化血液样本识别.

科学领域:

• 生物医学光学 生物医学光学
• 机器学习在医疗保健中的应用
• 细胞成像和分析.

背景情况:

• 传统的生物查方法可能是侵入性的,需要复杂的实验室设置.
• 无镜头成像与深度学习相结合,为简化,非侵入性生物分析提供了一个有希望的途径.
• 自动细胞识别对于有效和准确的疾病诊断至关重要.

研究的目的:

• 开发和验证一个现场便携式,紧的无透镜系统,用于全血样本的非侵入性检测和分类.
• 通过散射介质评估系统在识别红细胞类型方面的性能.
• 为了评估系统的强度,对分散层厚度的变化进行评估.

主要方法:

• 一个无镜头的光学系统,使用激光二极管和图像传感器来捕获血液样本的光生物特征.
• 样品被放置在两层散射介质之间,以模拟具有挑战性的成像条件.
• 当地二进制模式 (LBP) 转换和卷积神经网络 (CNN) 包括AlexNet,VGG-16和SqueezeNet用于图像分析和分类,与PCA+SVM相比.

主要成果:

• 无透镜系统通过散射介质成功检测和分类红细胞.
• SqueezeNet和VGG-16 CNN架构实现了最高的分类准确性 (高达97.2%) 和马修的相关系数 (MCC) 得分 (高达0.96).
• VGG-16表现出卓越的强度,保持高精度,因为散射层厚度增加了训练价值的三倍.

结论:

• 这项工作为使用无透镜设备和通过分散介质进行深度学习的非侵入性血液样本识别提供了概念验证.
• 开发的系统是低成本的,现场便携,并提供高的识别准确性,表明作为一个可行的诊断设备的潜力.
• 这项研究强调了像SqueezeNet和VGG-16这样的深度学习模型在分析无镜头成像的复杂光生物特征方面的有效性.