Zeitschrift für klinische Studien
Offener Zugang

Abstrakt

Ein Deep-Learning-Modell zur Erkennung von Leukozyten unter verschiedenen Störfaktoren

Meiyu Li, Lei Li, Shuang Song, Peng Ge, Hanshan Zhang, Lu Lu, Xiaoxiang Liu, Fang Zheng, Cong Lin, Shijie Zhang, Xuguo Sun

Die genaue Erkennung von Leukozyten ist die Grundlage für die Diagnose von Erkrankungen des Blutsystems. Allerdings können aktuelle Methoden und Instrumente den Erkennungsprozess entweder nicht vollständig automatisieren oder weisen eine geringe Leistung auf. Um den aktuellen Status zu verbessern, müssen wir intelligentere Methoden entwickeln. In diesem Artikel untersuchen wir die Durchführung einer leistungsstarken automatischen Erkennung von Leukozyten mithilfe einer auf Deep Learning basierenden Methode. Es wird eine vollständige Arbeitspipeline zum Erstellen eines Leukozytendetektors vorgestellt, die Datenerfassung, Modelltraining, Inferenz und Auswertung umfasst. Wir haben einen neuen Leukozytendatensatz erstellt, der 6273 Bilder (8595 Leukozyten) enthält und neun häufige klinische Interferenzfaktoren berücksichtigt. Basierend auf dem Datensatz wird die Leistungsbewertung von sechs gängigen Erkennungsmodellen durchgeführt und ein robusteres Ensembleschema vorgeschlagen. Die mAP@ IoU=0,50:0,95 und mAR@IoU=0,50:0,95 des Ensembleschemas im Testsatz betragen 0,853 bzw. 0,922. Die Erkennungsleistung von Bildern schlechter Qualität ist robust. Zum ersten Mal wurde festgestellt, dass das Ensemble-Schema eine Genauigkeit von 98,84 % bei der Erkennung unvollständiger Leukozyten liefert. Darüber hinaus haben wir auch die Testergebnisse verschiedener Modelle verglichen und mehrere identische Fehlerkennungen der Modelle festgestellt und dann korrekte Vorschläge für die Klinik bereitgestellt.