放大,图像类型和数量对卷积神经网络性能的影响,通过淋巴结细胞学区分犬类大细胞淋巴瘤与非淋巴瘤
Christina Pacholec1, Hehuang Xie1, Julianne Curnin1
1Department of Biomedical Sciences and Pathobiology, Virginia-Maryland College of Veterinary Medicine, Blacksburg, Virginia, USA.
Veterinary clinical pathology
|September 22, 2025
概括
这项研究表明,1000×放大和至少150张图像是卷积神经网络 (CNN) 的最佳选择,可以从淋巴结吸收中准确诊断犬类大细胞淋巴瘤 (LCL). 图像颜色没有显著影响诊断性能.
科学领域:
- 兽医病理学 兽医病理学
- 机器学习在诊断中的应用
- 狗类瘤学 狗类瘤学
背景情况:
- 淋巴结吸附剂对于区分犬类大细胞淋巴瘤 (LCL) 与非淋巴瘤 (NL) 是至关重要的.
- 准确的诊断对于适当治疗犬类淋巴瘤至关重要.
研究的目的:
- 评估图像放大,类型和数量对卷积神经网络 (CNN) 的影响,用于诊断犬类LCL.
- 用细胞学图像来确定基于CNN的犬类淋巴瘤诊断的最佳参数.
主要方法:
- 通过使用300张狗淋巴结吸附图像 (LCL和NL) 来训练CNN.
- 图像以200×,500×和1000×的放大度获得了颜色和灰度的图像.
- 评估了每班 (50-300) 图像数量对CNN表现的影响.
主要成果:
- 在1000×放大时,色彩 (95.8%准确度) 和灰度 (96.67%准确度) 图像都获得了最佳性能.
- 美国有线电视新闻网 (CNN) 的表现显著改善,每班大约有150张图像.
- 颜色与灰度图像类型对诊断准确度没有实质性的影响.
结论:
- 1000倍放大是最佳的CNN基于犬类LCL与NL的差异化.
- 在这个诊断任务中,建议每班至少150张图像用于初始的CNN研究.
- 狗血淋巴瘤诊断的准确性和效率提高的CNN是有前途的.
