Jul, 2024

早期诊断急性淋巴细胞白血病的深度学习算法

HTML
PDF
TL;DR急性淋巴细胞性白血病（ALL）是一种影响白细胞的血液癌症，早期诊断和治疗对提高患者预后至关重要。本研究提出了一种二进制图像分类模型，用于辅助ALL的诊断过程。通过卷积神经网络结构和深度学习技术，我们的模型对血液样本的显微图像进行输入，并输出样本是否正常或患有癌症的二进制预测。实验结果显示，我们的方法达到了94.3%的准确率，并可作为血液学家预测患者发生ALL可能性的辅助工具。
发现论文，激发创造
  • SDCT-AuxNet$^θ$: DCT 增强染色去卷积 CNN 附加分类器用于癌症诊断

    本文提出了一种新的深度学习体系结构，以分类 ALL 癌细胞图像，并利用卷积神经网络和核SVM多模块框架进行预测，并在公共数据集上获得了最佳的加权 F1 得分。

    May, 2020

  • 使用深度神经网络从显微镜血液涂片图像自动检测急性淋巴细胞白血病亚型

    本研究提出了一种使用深度神经网络对镜下血片图像中不同形状急性淋巴细胞白血病细胞进行自动检测的自动化系统，并可检测多种ALL细胞亚型并具有98％的准确性，并开发了远程诊断软件来提供即时的诊断支持。

    Jul, 2022

  • 诊断急性淋巴细胞白血病敏感相关生物标志的新型流程

    我们提出了一个新的诊断急性淋巴细胞白血病的流程，通过模拟血液学家的工作流程，对疾病生物标记物敏感并在ALL IDB1上实现96.15%的准确率、94.24%的F1分数、97.56%的敏感度和90.91%的特异性，该方法还在一个具有挑战性的数据集上表现良好，并且我们的模型是用相对较小的数据集训练的，突显了我们方法在其他具有有限数据可用性的医学数据集中的潜力。

    Jul, 2023

  • 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

  • 使用迁移学习方法的能够解释的人工智能在诊断和预测白血病中的应用

    利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行ALL分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。

    Dec, 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

  • 一种使用元启发式和深度学习方法的急性淋巴细胞白血病诊断模型

    一个基于ResNet的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用MLP分类器对选定数据集中的ALL和HEM进行分类，取得了卓越的90.71％准确性和95.76％的敏感性，并且在该数据集上优于其他方法。

    Jun, 2024

  • 一种用于检测和分类急性淋巴细胞白血病的深度特征提取研究

    本研究解决了急性淋巴细胞白血病（ALL）传统诊断技术的高成本和误差问题。通过采用卷积神经网络（CNN）进行特征提取并结合多种机器学习方法，研究提高了ALL的诊断准确性。研究发现，ResNet101模型以87%的准确率优于其他模型，显示出深度学习在医疗诊断中的潜力。

    Sep, 2024

  • CoTCoNet：一种优化的耦合变换器-卷积网络，具有自适应图重构用于白血病检测

    本研究解决了传统显微镜下手动白细胞计数和形态评估所面临的时间和精确性挑战，提出了优化的耦合变换器卷积网络（CoTCoNet）框架，通过深度卷积网络结合变换器有效捕获血液特征。此外，框架通过图形特征重构和人口基础的元启发式算法，展示了其在白血病分类中的卓越表现，验证结果显示其准确率和F1分数均接近0.99，超越了现有的最先进方法。

    Oct, 2024

  • 使用YOLOv8和YOLOv11深度学习模型对急性淋巴细胞白血病的早期诊断

    本研究解决了急性淋巴细胞白血病（ALL）的早期诊断问题，利用最新的YOLO系列深度学习模型，分析恶性和良性白血球，并识别ALL的不同阶段。研究发现，通过YOLOv8和YOLOv11模型，该方法的准确率高达98.8%，展现了其在多种数据集和现实场景下的有效性。

    Oct, 2024