基于超复值卷积神经网络的小儿急性淋巴细胞白血病检测
计算机视觉与模式识别
2024-01-05 v1 机器学习
神经与进化计算
图像与视频处理
摘要
本文提出定义在超复代数上的卷积神经网络,用于分类数字显微血液涂片图像中的淋巴细胞。此类分类有助于诊断急性淋巴母细胞白血病(acute lymphoblast leukemia, ALL),一种血液癌症。我们使用八个超复值卷积神经网络(hypercomplex-valued convolutional neural networks, HvCNNs)以及实值卷积网络执行分类任务。我们的结果表明HvCNNs优于实值模型,以少得多的参数实现了更高的准确率。此外,我们发现基于Clifford代数处理HSV编码图像的HvCNNs取得了所观测到的最高准确率。确切地说,我们的HvCNN在ALL-IDB2数据集上以50%训练-测试划分取得了96.6%的平均准确率,该值极接近最先进(state-of-the-art)模型,但使用了简单得多的架构且参数显著更少。
引用
@article{arxiv.2205.13273,
title = {Acute Lymphoblastic Leukemia Detection Using Hypercomplex-Valued Convolutional Neural Networks},
author = {Guilherme Vieira and Marcos Eduardo Valle},
journal= {arXiv preprint arXiv:2205.13273},
year = {2024}
}
备注
Accepted for presentation at 2022 International Joint Conference on Neural Networks (IJCNN 2022), 18-23 July, 2022, Padua, Italy