用于外周血细胞分类的深度 CNN
计算机视觉与模式识别
2021-10-19 v1
摘要
将机器学习技术应用于医疗领域尤其具有挑战性，因为这要求极高的精度，且微小的错误也会带来巨大的风险。将这些技术应用于血液学诊断这一更复杂的子领域似乎大有可为，通过自动识别血细胞类型，可以帮助检测血液系统疾病。在本文中，我们在外周血细胞显微图像数据集上对 27 种流行的深度卷积神经网络架构进行了基准测试。该数据集是公开可用的，包含使用 CellaVision DM96 分析仪获取并由专家病理学家鉴定为八种不同细胞类型的大量正常外周血细胞。我们在 ImageNet 数据集上预训练的 SOTA 图像分类模型进行微调，以用于血细胞分类。我们在训练期间利用数据增强技术以避免过拟合并实现泛化。表现最佳的模型集成在以往已发表的工作上取得了显著改进，以 99.51% 的分类准确率实现了 SOTA 结果。我们的工作为外周血细胞显微识别任务的标准深度学习架构提供了经验基线和基准。
引用
@article{arxiv.2110.09508,
title = {Deep CNNs for Peripheral Blood Cell Classification},
author = {Ekta Gavas and Kaustubh Olpadkar},
journal= {arXiv preprint arXiv:2110.09508},
year = {2021}
}
备注
20 pages, 14 figures, Submitted at MIDL 2021