模糊逻辑和深度学习方法用于通过多CNN特征融合自动检测和分类白细胞

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 准确的白细胞 (WBC) 分类对于诊断白血病等血液性疾病至关重要.
• 手动的WBC分类是劳动密集型,容易出现错误,缺乏可扩展性.

研究的目的:

• 使用集成的多CNN功能融合和模糊逻辑开发WBC分类和检测的自动化框架.
• 在临床环境中提高诊断准确性和效率.

主要方法:

• 这是一个结合DenseNet121,MobileNetV2和ResNet101的新框架,用于多个CNN的功能融合.
• 整合基于模糊逻辑的基于距离平均解决方案的评估 (EDAS) 模型,用于特征优先级和强大的分类.
• 利用Kaggle血细胞图像数据集,包括8013张中性粒细胞,乙素细胞,单细胞和淋巴细胞的图像.

主要成果:

• 为了WBC分类,实现了99.79%的整体精度.
• 与单个CNN模型相比,表现出优异的性能,特别是对于具有挑战性的细胞类型,如中性粒细胞.
• 在所有WBC类型中,获得了超过99.70%的精度,灵敏度和F1分数.

结论:

• 拟议的多CNN和模糊的EDAS框架为自动化WBC检测提供了一个高度准确和强大的解决方案.
• 这种方法最大限度地减少了诊断延迟,提高了资源有限的环境中的可扩展性,并促进了血液疾病的快速查.
• 该方法显示出临床应用的巨大潜力,改善决策和患者的治疗结果.