基于有限数据的强化深度学习模型的贴片鞘异种分化分类器
图像与视频处理
2024-11-27 v2 计算机视觉与模式识别
摘要
血液障碍涉及多种恶性疾病和遗传疾病，对血液形成造成诊断挑战。临床环境中的一个重大挑战是对比鞘细胞和白血球（WBCs）。我们的研究评估了各种机器学习（ML）分类器——支持向量机（SVM）、XGBoost、K最近邻（KNN）和随机森林——的有效性，这些方法以ResNet-50深度学习模型作为骨干网络，用于检测和分化不同训练集大小下的贴片鞘图像。我们的发现表明，ResNet50-SVM分类器在整体测试准确率和贴片鞘检测准确率方面始终优于其他模型，即使在最小训练数据的情况下也能保持高性能。即使在仅使用完整数据集的1%（每个类别168张图像，8个类别）进行训练时，SVM等ML分类器仍实现了86.75%的测试准确率和98.9%的贴片鞘精度，相较于没有任何分类器的预训练ResNet-50模型的82.03%和98.6%显著提升。在数据有限的情况下，所提出的方法优于传统深度学习模型，从而为在资源稀缺的环境中实现更高的分类准确率提供了解。
引用
@article{arxiv.2411.15592,
title = {Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data},
author = {Buddhadev Goswami and Adithya B. Somaraj and Prantar Chakrabarti and Ravindra Gudi and Nirmal Punjabi},
journal= {arXiv preprint arXiv:2411.15592},
year = {2024}
}
备注
14 pages, Accepted for the 27th International Conference on Pattern Recognition (ICPR 2024)