深度学习模型实现的血细胞分类

Aug, 2023

Classification of Blood Cells Using Deep Learning Models

Rabia Asghar, Sanjay Kumar, Abeera Mahfooz

TL;DR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。

Abstract

Human blood mainly comprises plasma, red blood cells, white blood cells, and platelets. The blood cells provide the body's cells oxygen to nourish them, shield them from infections, boost immunity, and aid in clotting. Human health is reflected in blood cells. The chances that a human being can be diagnosed with a disease are significantly influenced by thei

blood cell classification disease identification convolution neural networks transfer learning accuracy improvement

发现论文，激发创造

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

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

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

揭示类似病理学解释的可解释性深度学习系统：白细胞分类

使用 HemaX 模型，通过五个属性（粒度、细胞质颜色、细胞核形状、相对红细胞大小和核质比）进行细胞分类、定位和分割，并以类似病理学家的解释进行解释，表现出令人印象深刻的分类准确性和细胞定位的 Jaccard 指数，并且在生成解释方面也表现良好。

Oct, 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

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。

May, 2023

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

基于深度学习的白细胞可解释分类研究

这项研究探讨了无标记法对白细胞自动分类的置信度估计的校准，比较了不同的可视化解释方法，并且在血细胞分析的不同场景中展示了这些方法的实用性。

Nov, 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

神经元元胞自动机轻量级、鲁棒性和可解释白细胞图像分类

白细胞分类的新颖方法基于神经元细胞自动机 (NCA)，在三个白细胞图像数据集上测试表明我们的方法在与常规方法的竞争性能方面取得了良好的结果，该架构天然可解释，提供了对每个分类决策过程的洞见，帮助专家理解和验证模型预测，结果表明 NCA 不仅可以用于图像分类，还能解决常规方法的关键挑战，显示高潜力可应用于临床实践。

Apr, 2024