Diario de Ensayos Clínicos
Acceso abierto

abstracto

Un modelo de aprendizaje profundo para la detección de leucocitos bajo varios factores de interferencia

Meiyu Li, Lei Li, Shuang Song, Peng Ge, Hanshan Zhang, Lu Lu, Xiaoxiang Liu, Fang Zheng, Cong Lin, Shijie Zhang, Xuguo Sun

La detección precisa de leucocitos es la base para el diagnóstico de enfermedades del sistema sanguíneo. Sin embargo, los métodos actuales y Los instrumentos no logran automatizar completamente el proceso de identificación o tienen un rendimiento bajo. Para mejorar el estado actual, es necesario desarrollar métodos más inteligentes. En este artículo, investigamos el cumplimiento de la detección automática de alto rendimiento para leucocitos utilizando un método basado en el aprendizaje profundo. Se presenta una tubería de trabajo completa para construir un detector de leucocitos, que incluye recopilación de datos, entrenamiento de modelos, inferencia y evaluación. Establecimos un nuevo conjunto de datos de leucocitos que contiene 6273 imágenes (8595 leucocitos), considerando nueve factores de interferencia clínica comunes. Según el conjunto de datos, el rendimiento se lleva a cabo la evaluación de seis modelos de detección principales y se propone un esquema de conjunto más robusto. El mapa@ IoU=0,50:0,95 y mAR@IoU=0,50:0,95 del esquema de conjunto en el conjunto de prueba son 0,853 y 0,922, respectivamente. El el rendimiento de detección de imágenes de baja calidad es robusto. Por primera vez, se encuentra que el esquema de conjunto produce un precisión del 98,84% para la detección de leucocitos incompletos. Además, también comparamos los resultados de las pruebas de diferentes modelos y encontró múltiples detecciones falsas idénticas de los modelos, luego brindó sugerencias correctas para la clínica.