在大型白血病数据集中利用稀疏的注释来诊断白血病
Abdul Rehman1, Talha Meraj1, Aiman Mahmood Minhas2
1Intelligent Machine Lab, Information Technology University of Punjab, Lahore, Pakistan.
Medical image analysis
|September 2, 2025
概括
本研究引入了用于改善白细胞分析的大型白血病数据集 (LLD),并介绍了用于准确检测白血病细胞和预测特征的新型深度学习方法,提高了诊断能力.
科学领域:
- 医学成像
- 计算生物学
- 血液学
背景情况:
- 白血病是全球主要的健康问题,需要精确的白血细胞 (WBC) 分析来诊断.
- 目前用于白血病分析的深度学习模型受到小型,非多样化的数据集的限制,这阻碍了实际应用.
- 现有的数据集缺乏强大的WBC本地化,分类和形态评估所需的规模和域多样性.
研究的目的:
- 通过引入大规模的,多样化的白血病分析数据集来解决现有数据集的局限性.
- 开发新的深度学习方法以准确检测白细胞和形态属性预测.
- 通过稀疏的注释技术减少医学专家的注释负担.
主要方法:
- 通过使用多种显微镜和成像设备,从48名患者的周围血液膜 (PBF) 创建了一个大型数据集"大白血病数据集" (LLD).
- 每个白血病细胞在100倍放大时注释了7个形态属性,以提高诊断的解释性.
- 建议使用多任务深度学习模型同时检测WBC和预测属性,并使用稀疏注释方法进行高效的学习.
主要成果:
- 开发的大型白血病数据集 (LLD) 为白血病研究和开发提供了全面的资源.
- 多任务模型证明了有效的白细胞检测和属性预测,提供了可解释和临床相关的见解.
- 通过使用整个视野来提高学习效率和诊断准确性.
结论:
- 大型白血病数据集 (LLD) 和拟议的方法为白血病自动化分析提供了重大进展.
- 开发的技术提高了诊断的可解释性,并解决了微观图像分析中的领域转移挑战.
- 公开可用的数据集,代码和演示程序促进了计算性血液学的进一步研究和开发.
