عنوان مقاله :
طبقه‌بندي گلبول‌هاي سفيد با استفاده از شبكه عصبي كانولوشني
عنوان به زبان ديگر :
Classification of White Blood Cells Using Convolutional Neural Network
پديد آورندگان :
ادراكي، امين دانشگاه تهران - گروه مهندسي برق , رزمي‌نيا، ابوالحسن دانشگاه تهران - گروه مهندسي برق
كليدواژه :
شبكه عصبي كانولوشني , گلبول سفيد , تصاوير ميكروسكوپي نمونه خون , شبكه‌هاي عصبي عميق , طبقه‌بندي تصوير , بخش‌بندي تصوير
چكيده فارسي :
زمينه: مشاهده، دسته‌بندي و شمارش انواع مختلف گلبول‌هاي سفيد در نمونه خون، يكي از گام‌هاي اساسي در درمان بيماري‌هاي مختلف است. هدف از انجام اين پژوهش طراحي و پياده‌سازي سيستمي سريع، قابل اعتماد و مبتني بر پردازش تصاوير ميكروسكوپي نمونه خون براي طبقه‌بندي چهار نوع از گلبول‌هاي سفيد است.
مواد و روش‌ها: در اين مقاله، از روش خوشه‌بندي k-means اصلاح‌شده براي انجام عمل بخش‌بندي تصوير استفاده شده است. علاوه بر اين، عمل طبقه‌بندي گلبول‌هاي سفيد با استفاده از يك شبكه عصبي كانولوشني عميق و با كمك داده‌هاي موجود در پايگاه داده MISP – پايگاه داده رايگان و متشكل از تصاوير ميكروسكوپي نمونه خون – انجام شده است. همچنين، روش‌هاي مختلف رگولاريزاسيون مثل حذف تصادفي و افزايش تعداد تصاوير پايگاه داده، براي جلوگيري از بيش برازشِ (Overfitting) مدلِ پيشنهادي مورد استفاده قرار گرفته‌اند.
يافته‌ها: در بخش طبقه‌بندي، دقت شبكه عصبي برابر 99 درصد اندازه‌گيري شده است كه نسبت به بسياري از پژوهش‌هاي پيشين موفق‌تر بوده است. همچنين در بخش بخش‌بندي، شاخص اطلاعات متقابل برابر 73/0 حاصل شد.
نتيجه‌گيري: نتايج حاصل از اين پژوهش نشان مي‌دهد طراحي و پياده‌سازي سيستمي سريع و قابل اعتماد با كمك پردازش تصاوير ميكروسكوپي نمونه خون با استفاده از روش‌هاي مختلف پردازش تصوير و يادگيري ماشين امكان‌پذير است.
چكيده لاتين :
Background: Observing, categorizing and counting various types of white blood cells in a blood sample is one of the most important steps in the treatment of various diseases. This study aimed to develop a fast and reliable system based on processing microscopic images of blood samples for classifying four types of white blood cells.
Materials and Methods: The modified k-means clustering method was used to perform image segmentation. Furthermore, white blood cells were classified using a deep convolutional neural network with the help of data in the MISP database, a free database composed of microscopic blood sample images. Moreover, several regularization techniques such as dropout and image augmentation were applied to prevent overfitting of the network.
Results: The classification accuracy of the neural network was found to be 99%, which is more successful than many earlier studies. In the segmentation section, the cross-reference index was 0.73.
Conclusion: The results of this research show that processing the microscopic images of the blood sample can help develop rapid and reliable systems using different methods of image processing and machine learning.
