May, 2023

镰状细胞病红细胞分类和计量的一种新型深度学习模型

PDF
TL;DR本文利用深度卷积神经网络来分类和量化镰状细胞贫血患者的红细胞形态，建立了包含 10,377 个细胞图像的数据集，使用 18 层神经网络架构，以 81% 的准确率鉴别出红细胞的三种不同形态，并使用了 SHAP 和 LIME 来进一步解释模型结果。
发现论文，激发创造
  • 多级深度卷积编解码网络在贫血红细胞的语义分割

    本研究提出了一种多层深度卷积编码器 - 解码器网络，采用两个最先进的健康和贫血红细胞数据集进行语义分割，以提高像素级分析，红细胞的形态分析和计数方面的精度。

    Feb, 2022

  • 基于大规模多扫描仪数据集的深度学习红细胞分割与分类

    数字病理学发展迅速，结合人工智能、深度学习和高性能计算等技术的进步，可以提高和加速诊断过程，减少人为错误，并简化报告步骤。本文提出了一个新的大型红细胞（RBC）图像数据集，并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类，采用 U-Net 模型进行自动 RBC 图像分割，并使用 EfficientNetB0 模型进行 RBC 图像分类，取得了 98.03％的 IoU 和 96.5％的平均分类准确率。与其他知名 CNN 模型进行的实验比较表明，该模型在性能和计算成本之间取得了良好的平衡。

    Mar, 2024

  • 深度学习模型实现的血细胞分类

    人体血液细胞分类对于疾病识别至关重要，通过使用卷积神经网络和迁移学习技术，本研究提出了一种新的基于卷积神经网络的框架，成功实现了对血液细胞的准确分类，并在所采用的数据集上达到了 99.91% 的准确率。

    Aug, 2023

  • 现代计算机视觉模型用于血细胞分类的分析

    通过使用 MaxVit，EfficientVit，EfficientNet，EfficientNetV2 和 MobileNetV3 等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

    Jun, 2024

  • BloodCell-Net: 人体所有微观血细胞图像的轻量级卷积神经网络分类

    通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。

    Apr, 2024

  • 基于拓扑正则化的多实例学习在红细胞疾病分类中的应用

    利用拓扑规则的正则化方法可以提高自动分类罕见贫血病的性能超过 3%。

    Jul, 2023

  • 利用深度神经网络检测疟疾细胞

    使用深度学习方法自动化检测疟疾感染细胞，通过 ResNet50 卷积神经网络模型和训练集 27,558 张分为感染和未感染细胞的 Malaria Cell Images Dataset 的转移学习，实现高准确率、精确度和召回率，证明其在疟疾诊断中的潜力，且开发了 Streamlit 的网络应用以提供上传细胞图像和接收疟疾感染预测的用户友好的技术。

    Jun, 2024

  • 机器学习模型对白细胞分类的综述

    通过机器学习和深度学习模型应用于医学图像分析，本研究主要关注白细胞分类的现代技术，并提供了有关最常用的技术和最佳白细胞分类方法的宝贵见解，同时指出了数据集可用性、研究人员医学培训和使用高级深度学习网络的挑战。

    Aug, 2023

  • 一个大规模多领域白血细胞形态特征解释能力的白血病数据集

    提供了一个全面真实且大型的数据集，以便于淋巴细胞白血病的早期诊断，通过使用不同成本和放大率的两个显微镜进行数据收集，并提供了基线模型以及基于形态学信息的属性预测。

    May, 2024

  • 血液形态学中鲜明细胞分类的失衡域泛化

    本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。

    Mar, 2023