使用混合Deep Kronecker WideResNet使用血涂片图像进行芽细胞细分和白血病分类

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 血液学和瘤学研究

背景情况:

• 急性淋巴细胞白血病 (ALL) 是一种影响骨髓和白细胞的严重疾病.
• 早期检测ALL对于有效的患者治疗和管理至关重要.
• 从周围血液涂抹 (PBS) 图像中对ALL进行分类是具有挑战性的,因为细胞大小和形状的变化.

研究的目的:

• 开发一个先进的计算模型,从PBS图像中准确地对ALL进行分类.
• 为了解决细分和分类白血病细胞在显微镜图像中的困难.

主要方法:

• 使用适应高斯过来减少噪音的血涂片图像的预处理.
• 使用RefineNet对爆细胞进行细分,然后进行图像增强 (翻转,改变大小,旋转).
• 特性提取包括二进制模式的相对应性 (BPPC) 与离散的等号变换 (DCT) 和统计特征.
• 使用拟议的Kronecker深度广泛残留网络 (DKWRN) 将白血病亚型 (早期Pre-B,Pre-B,Pro-B,血原) 分类.

主要成果:

• DKWRN模型实现了高性能指标:92.12%的准确性,91.40%的真负率 (TNR),90.36%的回忆,91.56%的精度和90.96%的F1得分.
• 与现有方法相比,DKWRN表现出了显著的改进,包括贝叶斯基于优化的CNN (BO-ALLCNN),SVM,ResNet-18,ResNet-152,DKN和WRN.
• 该模型的准确性超过了BO-ALLCNN的5.91%和SVM的4.63%.

结论:

• 拟议的DKWRN模型为从PBS图像中分类白血病提供了强大而准确的解决方案.
• 这种方法提高了早期更精确地诊断ALL的潜力.
• DKWRN 的卓越性能突显了其在血液学疾病检测的临床应用中的前景.