通过使用混合深度学习模型的多尺度特征学习来研究血液细胞图像,以提高血液疾病的检测能力
Mutasim Al Sadig1, Jamal Alsamri2, Nouf Helal Alharbi3
1Department of Computer Science, College of Science, Majmaah University, 11952, Al Majmaah, Saudi Arabia.
Scientific reports
|November 23, 2025
概括
一个新的深度学习模型从血液细胞图像中准确地检测出血液学疾病. 这种混合方法达到99.67%的准确性,改善了血液疾病的诊断.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 血液病会影响血液成分和骨髓,导致严重的健康问题.
- 血液疾病的准确诊断依赖于实验室检测和专家分析.
- 深度学习在提高血液学疾病的检测方面表现有前途.
研究的目的:
- 开发一个准确的深度学习模型来检测和分类血液学疾病.
- 使用显微镜血液细胞图像进行自动诊断.
主要方法:
- 使用混合深度分类模型 (MSFLHDD-HDCM) 开发了一种基于多尺度特征学习的增强血液学疾病检测.
- 图像预处理使用几何平均波器来减少噪声和数据标准化.
- 特征提取采用初始模块,分类使用混合CNN-BiGRU模型.
主要成果:
- 在检测血液学疾病方面,MSFLHDD-HDCM方法获得了99.67%的卓越准确性.
- 实验结果证明了该模型在血液细胞图像数据集上的有效性.
- 这种方法在分类准确性方面超过了现有的技术.
结论:
- 该MSFLHDD-HDCM模型提供了一个非常准确和有效的方法来诊断血液学疾病.
- 深度学习,特别是混合模型,可以显著提升自动化血液疾病检测.
- 这种方法有可能改善血液疾病的早期诊断和治疗.
