基于卷积神经网络的血液癌症检测与分类综合研究
图像与视频处理
2024-09-11 v1 计算机视觉与模式识别
摘要
多年来，在目标检测领域，诸如 DenseNet201、InceptionV3、ResNet152v2、SEresNet152、VGG19、Xception 等高效卷积神经网络（CNN）因其性能而受到广泛关注。此外，CNN 模式已扩展到迁移学习和集成模型，以原有的 CNN 架构为基础。研究表明，迁移学习和集成模型能够提高深度学习（DL）模型的准确率。然而，极少数研究对这些技术在检测和定位血液恶性肿瘤方面的综合实验进行了探索。意识到这一差距，本研究进行了三项实验；第一项实验使用六种原始 CNN 模型，第二项实验采用迁移学习，第三项实验开发了一种新型集成模型 DIX（DenseNet201、InceptionV3 和 Xception），用于血液癌症的检测和分类。统计结果表明，DIX 在原始模型和迁移学习性能方面均取得了显著优势，准确率达 99.12%。然而，本研究也发现了迁移学习的负面结果，即迁移学习未能提高原始 CNN 的准确率。和许多其他癌症一样，血液癌症疾病需要及时识别，以实现有效的治疗方案并提高生存率。CNN 模型在血液癌症检测和分类中的高准确率表明，CNN 模型在血液癌症疾病检测方面具有潜力。该研究在生物医学工程、计算机辅助疾病诊断和基于机器学习的疾病检测等领域具有重要意义。
引用
@article{arxiv.2409.06689,
title = {A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network},
author = {Md Taimur Ahad and Sajib Bin Mamun and Sumaya Mustofa and Bo Song and Yan Li},
journal= {arXiv preprint arXiv:2409.06689},
year = {2024}
}