Решение задачи сегментации и классификации лейкоцитов на изображениях с использованием трансферного обучения и ансамбля сверточных нейронных сетей
DOI:
https://doi.org/10.52575/2687-0932-2024-51-4-873-886Ключевые слова:
обработка изображений, компьютерное зрение, микроскопические изображения крови, машинное обучение, сегментация, классификация лейкоцитовАннотация
В данной статье представлено исследование, направленное на разработку инновационного метода автоматизированного подсчета и классификации лейкоцитов на цифровых микроскопических изображениях крови. Предложенный подход нацелен на преодоление ключевых ограничений существующих методов, обеспечивая высокую точность, универсальность и устойчивость к вариабельности входных данных. Новизна метода заключается в использовании преимуществ трансферного обучения и объединения сверточных нейросетей в ансамбль, что позволяет значительно повысить точность распознавания различных типов лейкоцитов. Разработанный алгоритм реализует трехэтапный процесс обработки изображений: сегментацию лейкоцитов с использованием ансамбля моделей, постобработку сегментированных изображений для улучшения их качества и финальную классификацию. Приведенные данные вычислительного эксперимента демонстрируют значительную эффективность предложенного подхода и подтверждают его универсальность. Результаты работы могут послужить основой для разработки новых автоматизированных систем диагностики для применения в клинической практике, способных повысить скорость и точность анализа крови, что является важным шагом на пути к повышению качества медицинского обслуживания.
Скачивания
Библиографические ссылки
Список литературы
Батищев Д.С., Михелев В.М., Утянский А.А. 2020. Метод сегментации перекрывающихся форменных элементов крови на микроскопических медицинских изображениях. Экономика. Информатика. 47(4): 803–815.
Волкова С.А. Боровков Н.Н. 2013. Основы клинической гематологии: учебное пособие. Н. Новгород. Издательство Нижегородской гос. медицинской академии, 400 с.
Черных Е.М., Михелев В.М., Петров Д.В. 2023. Безэталонные метрики качества изображений клеток крови. Экономика. Информатика. 50(2): 380–388.
Acevedo A., Merino González A., Alférez Baquero E.S., Molina Borrás Á., Boldú Nebot L., Rodellar Benedé J. 2020. A dataset of microscopic peripheral blood cell images for development of automatic recognition systems. Data in brief, 30(article 105474).
Almezhghwi K., Serte S. 2020. Improved classification of white blood cells with the generative adversarial network and deep convolutional neural network. Computational Intelligence and Neuroscience, 2020(1), 6490479.
Chernykh E.M., Mikhelev V.M. 2021. A computer system for the leukocytes classification in medical images. In Journal of Physics: Conference Series. 1715(1): 012007.
Chow L.S., Paramesran R. 2016. Review of medical image quality assessment. Biomedical signal processing and control. 27: 145–154.
Clunie D., Hosseinzadeh D., Wintell M., De Mena D., Lajara N., Garcia-Rojo M., Bueno G., Saligrama K., Stearrett A., Toomey D., Abels E., Apeldoorn F.V., Langevin S., Nichols S., Schmid J., Horchner U., Beckwith B., Parwani A., Pantanowitz L. 2018. Digital Imaging and Communications in Medicine Whole Slide Imaging Connectathon at Digital Pathology Association Pathology Visions 2017. Journal of pathology informatics, 9(1).
Di Ruberto C., Putzu L. 2014. Accurate blood cells segmentation through intuitionistic fuzzy set threshold. Tenth international conference on signal-image technology and internet-based systems (pp. 57–64). IEEE.
Ganaie M.A., Hu M., Malik A.K., Tanveer M., Suganthan P.N. 2022. Ensemble deep learning: A review. Engineering Applications of Artificial Intelligence, 115, 105151.
Ibrahim S., Rozan M.H.C., Sabri N. 2019. Comparative analysis of support vector machine (SVM) and convolutional neural network (CNN) for white blood cells’ classification. International Journal of Advanced Trends in Computer Science and Engineering, 8(1.3): 394–399.
Lin L., Wang W. 2018. A robust leukocyte recognition method based on multi-scale regional growth and mean-shift clustering. Journal of Algorithms & Computational Technology, 12(3), 208–216.
Ma J.J., Nakarmi U., Kin C.Y.S., Sandino C.M., Cheng J.Y., Syed A.B., Wei P., Pauly J.M., Vasanawala S. S. 2020. Diagnostic image quality assessment and classification in medical imaging: opportunities and challenges. Proceedings. IEEE International Symposium on Biomedical Imaging: 337–340.
Ronneberger O., Fischer P., Brox T. 2015. U-net: Convolutional networks for biomedical image segmentation. In Medical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18: 234–241. Springer International Publishing.
Rosyadi T., Arif A., Achmad B. 2016. Classification of leukocyte images using k-means clustering based on geometry features. In 2016 6th international annual engineering seminar. 245–249).
Tamang T., Baral S., Paing M.P. 2022. Classification of white blood cells: A comprehensive study using transfer learning based on convolutional neural networks. Diagnostics, 12(12), 2903.
Wang W., Su P.Y. 2012. Blood cell image segmentation on color and GVF snake for Leukocyte classification on SVM. Guangxue Jingmi Gongcheng/Optics and Precision Engineering, 20(12): 2781–2790.
Zhang C., Wu S., Lu Z., Shen Y., Wang J., Huang P., Li D. 2020. Hybrid adversarial‐discriminative network for leukocyte classification in leukemia. Medical physics, 47(8): 3732–3744.
Zheng X., Wang Y., Wang G., Liu J. 2018. Fast and robust segmentation of white blood cell images by self-supervised learning. Micron, 107: 55–71.
Zheng Z., Wang P., Liu W., Li J., Ye R., Ren D. (2020, April). Distance-IoU loss: Faster and better learning for bounding box regression. In Proceedings of the AAAI conference on artificial intelligence. 34(07): 12993–13000.
Просмотров аннотации: 7
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2024 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
