针对重叠细胞分离与类别不平衡数据集的红血细胞分割与分类
图像与视频处理
2024-10-30 v6 计算机视觉与模式识别
摘要
血涂片图像上红血细胞（RBC）的自动分类有助于血液学家以更短时间和更低成本分析 RBC 实验室结果。然而，重叠细胞会导致错误的预测结果，因此必须在分类前将其分离为多个单个 RBC。使用深度学习对多类进行分类时，不平衡问题是医学影像中的常见现象，因为正常样本总是多于罕见疾病样本。本文提出一种从血涂片图像中分割和分类 RBC 的新方法，专门解决细胞重叠和数据不平衡问题。聚焦于重叠细胞分离，我们的分割过程首先估计椭圆以表示 RBC。该方法检测凹点，随后使用有向椭圆拟合寻找椭圆。来自 20 张血涂片图像的准确率为 0.889。分类需要平衡的训练数据集。然而，某些 RBC 类型较为罕见。该数据集在来自 20,875 个独立 RBC 样本的 12 个 RBC 类别上的不平衡比率为 34.538。因此，使用机器学习对不平衡数据集进行 RBC 分类比许多其他应用更具挑战性。我们分析了应对该问题的技术。使用 EfficientNet-B1 结合数据增强取得的最佳准确率和 F1 分数分别为 0.921 和 0.8679。实验结果表明，结合增强的权重平衡技术通过提升少数类的 F1 分数具有应对不平衡问题的潜力，而数据增强显著改善了整体分类性能。
引用
@article{arxiv.2012.01321,
title = {Red Blood Cell Segmentation with Overlapping Cell Separation and Classification on Imbalanced Dataset},
author = {Korranat Naruenatthanaset and Thanarat H. Chalidabhongse and Duangdao Palasuwan and Nantheera Anantrasirichai and Attakorn Palasuwan},
journal= {arXiv preprint arXiv:2012.01321},
year = {2024}
}
备注
This work has been submitted to Intelligent Systems with Applications (ISWA) for possible publication