Классификация лейкоцитов с помощью взвешенных оптимизированных сверточных нейронных сетей с деформируемыми свертками

Введение: Алгоритмы машинного обучения широко применяются для классификации лейкоцитов. Однако их эффективность по-прежнему требует дальнейшей оценки из-за отсутствия эталонных наборов данных и сложностей практической реализации предложенных алгоритмов.

Методы: В этом исследовании предложен метод двухмодульной взвешенной оптимизированной сверточной нейронной сети с деформируемыми свертками (TWO-DCNN) для классификации лейкоцитов. Алгоритм сочетает трансферное обучение в двух модулях и слои с деформируемыми свертками для повышения устойчивости. Для оценки эффективности метод сравнили с классическими моделями машинного обучения VGG16, VGG19, Inception-V3, ResNet-50, методом опорных векторов (SVM), многослойным персептроном (MLP), деревом решений (DT) и случайным лесом (RF) на закрытом наборе данных о лейкоцитах и общедоступном наборе данных BCCD.

Результаты: TWO-DCNN продемонстрировала наилучшие результаты. Для закрытого набора данных с изображениями низкого разрешения и шумами, а также для набора данных BCCD точность составила соответственно 95,7%, 94,5% и 91,6%, полнота — 95,7%, 94,5% и 91,6%, F1-мера — 95,7%, 94,5% и 91,6%, а площадь под ROC-кривой — 0,98, 0,97 и 0,95.

Выводы: Благодаря точному извлечению признаков и оптимизированным весам сети предложенная TWO-DCNN показала наилучшую эффективность при классификации лейкоцитов на изображениях низкого разрешения и с шумами. Этот метод может использоваться как альтернативный подход в клинической практике.