基于大型多扫描器数据集的红细胞深度学习分割与分类
图像与视频处理
2024-03-28 v1 计算机视觉与模式识别
摘要
数字病理学近期受到人工智能、深度学习和高性能计算方面的突破性进展的推动。凭借先进工具，数字病理学有助于提高和加速诊断过程，减少人为错误，并简化报告步骤。在本文中，我们报告了一套新的大型红细胞 (RBC) 图像数据集，并提出了一种两阶段的深度学习框架用于 RBC 图像分割与分类。该数据集包含超过 10 万个 RBCs，涵盖八个不同的类别。该数据集规模远超任何公开可得的血液病理学数据集，由两名血液病理学家独立标注，并手动创建了 RBC 细胞分割掩码。随后，在所提框架中，首先训练了 U-Net 模型以实现 RBC 图像的自动分割。随后，使用迁移学习方法和 5X2 交叉验证方案训练了 EfficientNetB0 模型将 RBC 图像分类为八个类别之一。在测试集上实现了 98.03% 的 IoU 和 96.5% 的平均分类准确率。此外，我们对所提模型与几乎所有著名 CNN 模型进行了实验比较，这些比较显示所提模型在性能和计算成本之间取得了良好平衡。
引用
@article{arxiv.2403.18468,
title = {Deep Learning Segmentation and Classification of Red Blood Cells Using a Large Multi-Scanner Dataset},
author = {Mohamed Elmanna and Ahmed Elsafty and Yomna Ahmed and Muhammad Rushdi and Ahmed Morsy},
journal= {arXiv preprint arXiv:2403.18468},
year = {2024}
}
备注
15 pages, 12 figures, 8 tables