Clasificación altamente eficaz de leucocitos basada en la detección de objetos
Autores: Jiangfan, Yao; Xiwei, Huang; Maoyu, Wei; Wentao, Han; Xuefeng, Xu; Renjie, Wang; Jin, Chen; Lingling, Sun
Idioma: Inglés
Editor: Hindawi
Año: 2021
Acceso abierto
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
Los glóbulos blancos (GB) desempeñan un papel importante en el sistema inmunitario humano, y el contenido de varios subtipos de GB suele mantenerse dentro de un determinado rango en el cuerpo humano, mientras que los niveles desviados son importantes señales de alerta de enfermedades. Por lo tanto, la detección y clasificación de los glóbulos blancos es una técnica de diagnóstico esencial. Sin embargo, las tecnologías tradicionales de clasificación de glóbulos blancos basadas en el procesamiento de imágenes suelen necesitar segmentar las imágenes de células diana recogidas del fondo. Esta operación de preprocesamiento no sólo aumenta la carga de trabajo, sino que también afecta en gran medida a la calidad y eficacia de la clasificación. Por lo tanto, propusimos una tecnología de detección de objetos de alta eficiencia que combina la segmentación y el reconocimiento de objetivos en un solo paso para realizar la detección y clasificación de WBC en una imagen al mismo tiempo. Se emplearon dos modelos de detección de objetos de última generación, Faster RCNN y Yolov4, y se estudiaron comparativamente para clasificar neutrófilos, eosinófilos, monocitos y linfocitos en un conjunto de datos de recuento de células sanguíneas (BCCD) equilibrado y mejorado. Nuestros resultados experimentales mostraron que los modelos de aprendizaje de transferencia profunda basados en Faster RCNN y Yolov4 alcanzaron tasas de precisión de clasificación del 96,25
y 95,75%, respectivamente. En el caso del modelo de una etapa, Yolov4, además de garantizar una precisión superior al 95
su velocidad de detección podía alcanzar los 60 FPS, lo que mostraba un mejor rendimiento en comparación con el modelo de dos etapas, Faster RCNN. La red de detección de objetos de alta eficiencia que no requiere presegmentación celular puede eliminar la dificultad del preprocesamiento de imágenes y mejorar en gran medida la eficiencia de toda la tarea de clasificación, lo que proporciona una solución potencial para futuros sistemas de diagnóstico en tiempo real en puntos de atención.
Descripción
Los glóbulos blancos (GB) desempeñan un papel importante en el sistema inmunitario humano, y el contenido de varios subtipos de GB suele mantenerse dentro de un determinado rango en el cuerpo humano, mientras que los niveles desviados son importantes señales de alerta de enfermedades. Por lo tanto, la detección y clasificación de los glóbulos blancos es una técnica de diagnóstico esencial. Sin embargo, las tecnologías tradicionales de clasificación de glóbulos blancos basadas en el procesamiento de imágenes suelen necesitar segmentar las imágenes de células diana recogidas del fondo. Esta operación de preprocesamiento no sólo aumenta la carga de trabajo, sino que también afecta en gran medida a la calidad y eficacia de la clasificación. Por lo tanto, propusimos una tecnología de detección de objetos de alta eficiencia que combina la segmentación y el reconocimiento de objetivos en un solo paso para realizar la detección y clasificación de WBC en una imagen al mismo tiempo. Se emplearon dos modelos de detección de objetos de última generación, Faster RCNN y Yolov4, y se estudiaron comparativamente para clasificar neutrófilos, eosinófilos, monocitos y linfocitos en un conjunto de datos de recuento de células sanguíneas (BCCD) equilibrado y mejorado. Nuestros resultados experimentales mostraron que los modelos de aprendizaje de transferencia profunda basados en Faster RCNN y Yolov4 alcanzaron tasas de precisión de clasificación del 96,25
y 95,75%, respectivamente. En el caso del modelo de una etapa, Yolov4, además de garantizar una precisión superior al 95
su velocidad de detección podía alcanzar los 60 FPS, lo que mostraba un mejor rendimiento en comparación con el modelo de dos etapas, Faster RCNN. La red de detección de objetos de alta eficiencia que no requiere presegmentación celular puede eliminar la dificultad del preprocesamiento de imágenes y mejorar en gran medida la eficiencia de toda la tarea de clasificación, lo que proporciona una solución potencial para futuros sistemas de diagnóstico en tiempo real en puntos de atención.