使用多级深度卷积编码器-解码器网络对贫血红细胞进行语义分割
图像与视频处理
2022-02-11 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
血液图像的像素级分析在诊断血液相关疾病，尤其是贫血方面起着关键作用。这些分析主要依赖于对形状、大小等形态学畸变的精确诊断以及精确的像素计数。在传统的分割方法中，采用了基于实例或对象的方法，这对于像素级分析是不可行的。在深度学习领域，卷积神经网络模型需要具有详细像素级信息的大型数据集来进行红细胞的语义分割。在当前的研究工作中，我们通过提出一个多级深度卷积编码器-解码器网络以及两个最先进的健康和贫血红细胞数据集来解决这些问题。所提出的多级 CNN 模型保留了一层中提取的像素级语义信息，然后传递到下一层以选择相关特征。这种现象有助于对健康和贫血红细胞元素进行精确的像素级计数以及形态学分析。出于实验目的，我们提出了两个最先进的红细胞数据集，即健康红细胞数据集和贫血红细胞数据集。每个数据集包含 1000 张图像、真实掩膜、相关的全血细胞计数和形态学报告，用于性能评估。通过使用五折训练程序，利用交并比、个体训练、验证、测试准确率和全局准确率，与真实掩膜进行交叉匹配分析来评估所提出模型的结果。该模型在健康红细胞数据集上获得的训练、验证和测试准确率分别为 0.9856、0.9760 和 0.9720，在贫血红细胞数据集上分别为 0.9736、0.9696 和 0.9591。所提出模型在健康和贫血数据集上的交并比和边界 F1 分数分别为 0.9311、0.9138 和 0.9032、0.8978。
引用
@article{arxiv.2202.04650,
title = {Semantic Segmentation of Anaemic RBCs Using Multilevel Deep Convolutional Encoder-Decoder Network},
author = {Muhammad Shahzad and Arif Iqbal Umar and Syed Hamad Shirazi and Israr Ahmed Shaikh},
journal= {arXiv preprint arXiv:2202.04650},
year = {2022}
}