[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ارسال مقاله :: تماس با ما ::
:: دوره 21، شماره 1 - ( دوماهنامه طب جنوب 1397 ) ::
جلد 21 شماره 1 صفحات 65-80 برگشت به فهرست نسخه ها
طبقه‌بندی گلبول‌های سفید با استفاده از شبکه عصبی کانولوشنی
امین ادراکی1 ، ابوالحسن رزمی‌نیا 2
1- گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران
2- گروه مهندسی برق، دانشکده مهندسی، دانشگاه خلیج‌فارس بوشهر، بوشهر، ایران ، razminia@pgu.ac.ir
چکیده:   (1657 مشاهده)
زمینه: مشاهده، دسته‌بندی و شمارش انواع مختلف گلبول‌های سفید در نمونه خون، یکی از گام‌های اساسی در درمان بیماری‌های مختلف است. هدف از انجام این پژوهش طراحی و پیاده‌سازی سیستمی سریع، قابل اعتماد و مبتنی بر پردازش تصاویر میکروسکوپی نمونه خون برای طبقه‌بندی چهار نوع از گلبول‌های سفید است.
مواد و روش‌ها: در این مقاله، از روش خوشه‌بندی k-means اصلاح‌شده برای انجام عمل بخش‌بندی تصویر استفاده شده است. علاوه بر این، عمل طبقه‌بندی گلبول‌های سفید با استفاده از یک شبکه عصبی کانولوشنی عمیق و با کمک داده‌های موجود در پایگاه داده MISP پایگاه داده رایگان و متشکل از تصاویر میکروسکوپی نمونه خون انجام شده است. همچنین، روش‌های مختلف رگولاریزاسیون مثل حذف تصادفی و افزایش تعداد تصاویر پایگاه داده، برای جلوگیری از بیش ‌برازشِ (Overfitting) مدلِ پیشنهادی مورد استفاده قرار گرفته‌اند.
یافته‌ها: در بخش طبقه‌بندی، دقت شبکه‌ عصبی برابر 99 درصد اندازه‌گیری شده است که نسبت به بسیاری از پژوهش‌های پیشین موفق‌تر بوده است. همچنین در بخش بخش‌بندی، شاخص اطلاعات متقابل برابر 73/0 حاصل شد.
نتیجه‌گیری: نتایج حاصل از این پژوهش نشان می‌دهد طراحی و پیاده‌سازی سیستمی سریع و قابل اعتماد با کمک پردازش تصاویر میکروسکوپی نمونه خون با استفاده از روش‌های مختلف پردازش تصویر و یادگیری ماشین امکان‌پذیر است.
واژه‌های کلیدی: بخش‌بندی تصویر، طبقه‌بندی تصویر، شبکه‌های عصبی عمیق، تصاویر میکروسکوپی نمونه خون، گلبول سفید، شبکه عصبی کانولوشنی
متن کامل [PDF 1439 kb]   (935 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: حرفه پزشکی
دریافت: ۱۳۹۶/۱۲/۷ | پذیرش: ۱۳۹۶/۱۲/۷ | انتشار: ۱۳۹۶/۱۲/۷
فهرست منابع
1. Libbrecht MW, Noble WS. Machine Learning in Genetics and Genomics. Nature Reviews 2015; 16(6): 321-2. [PubMed] [Google Scholar]
2. Hosseini MM, Safdari R, Shahmoradi L, et al. Better Diagnosis of Acute Appendicitis by Using Artificial Intelligence. Iran South Med J 2017; 20 (4): 339-48. [Google Scholar]
3. Prince JL, Links JM. Basic Imaging Principles. In: Horton MJ. Medical Imaging Signals and Systems. 2nd ed. Upper Saddle River, N.J.: Pearson. 2015. 5-13.
4. Gurcan MN, Boucheron LE, Can A, et al. Histopathological Image Analysis: A Review. IEEE Reviews in Biomedical Engineering 2009; 2: 147-71. [PubMed] [Google Scholar]
5. Mohapatra S, Patra D, Satpathy S. An Ensemble Classifier System for Early Diagnosis of Acute Lymphoblastic Leukemia in Blood Microscopic Images. Neural Computing and Applications 2014; 24(7-8): 1887-1904. [Google Scholar]
6. Sabino DMU, da Fontoura Costa Ldf, Rizzatti G, et al. A Texture Approach to Leukocyte Recognition. Real-Time Imaging 2004; 10(4): 205–16. [Google Scholar]
7. Chassery JM, Garbay C. An Iterative Segmentation Method Based on Contextual Color and Shape Criterion. IEEE Transactions on Pattern Analysis and Machine Intelligence 1984; 6(6): 794–800. [PubMed] [Google Scholar]
8. Jiang K, Liao QM, Dai SY. A Novel White Blood Cell Segmentation Scheme using Scale-Space Filtering and Watershed Clustering. In Machine Learning and Cybernetics 2002; 32(1): 48-53. [Google Scholar]
9. Rezatofighi, SH, Soltanian-Zadeh H. Automatic Recognition of Five Types of White Blood Cells in Peripheral Blood. Computerized Medical Imaging and Graphics 2011; 35(4): 333-43 [PubMed] [Google Scholar]
10. Theera-Umpon N, Dhompongsa S. Morphological Granulometric Features of Nucleus in Automatic Bone Marrow White Blood Cell Classification. IEEE Transactions on Information Technology in Biomedicine 2007; 11(3): 353–9. [PubMed] [Google Scholar]
11. Farjam R, Soltanian‐Zadeh H, Jafari Khouzani K, et al. An Image Analysis Approach for Automatic Malignancy Determination of Prostate Pathological Images. Cytometry B Clin Cytom 2007; 72(4): 227–40. [PubMed] [Google Scholar]
12. Long X, Cleveland WL, Yao YL. A New Preprocessing Approach for Cell Recognition. IEEE Tranactions on Information Technology in Biomedicine 2005; 9(3): 407-12 [PubMed] [Google Scholar]
13. Theera-Umpon N, Gader PD. System-Level Training of Neural Networks for Counting White Blood Cells. IEEE Transactions on Systems, Man, and Cybernetics 2002; 32(1): 48–53. [Google Scholar]
14. Shitong W, Min W. A New Detection Algorithm (NDA) based on Fuzzy Cellular Neural Networks for White Blood Cell Detection. IEEE Tranactions on Information Technology in Biomedicine 2006; 10(1): 5–10. [PubMed] [Google Scholar]
15. Kashefpur M, Kafieh R, Jorjandi S, et al. Isfahan MISP Dataset. Journal of Medical Signals and Sensors 2017; 7(1): 43-8. [PubMed] [Google Scholar]
16. Sarrafzadeh O, Rabbani H, Talebi A, et al. Selection of the Best Features for Leukocytes Classification in Blood Smear Microscopic Images. In Proceedings of the SPIE Medical Imaging. International Society for Optics and Photonics, SPIE Medical Imaging 2014: Digital Pathology, SPIE 9041, SPIE, San Diego, California, USA. [Google Scholar]
17. Gonzalez RC, Woods RE. Intensity Transformations and Spatial Filtering. In: Horton MJ. Digital Image Processing. 3rd ed. Upper Saddle River, N.J.: Prentice Hall 2008. 152-157.
18. Zhang YJ. A Survey on Evaluation Methods for Image Segmentation. Pattern Recognition 1996; 29(8): 1335-46. [Google Scholar]
19. Suykens JAk, Vandewalle J. Least Squares Support Vector Machine Classifiers. Neural Processing Letters 1999; 9(3): 293-300. [Google Scholar]
20. Guo Y, Liu Y, Oerlemans A, et al. Deep Learning for Visual Undertanding: A Review. Neurocomputing 2016; 187: 27-48. [Google Scholar]
21. LeCun Y, Bengio Y, Hinton G. Deep Learning. Nature 2015; 521: 436-44. [PubMed] [Google Scholar]
22. Ioffe S, Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. International Conference on Machine Learning 2015; 37: 448-56. [Google Scholar]
23. Srivastava N, Hinton GE, Krizhever A, et al. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research 2014; 15: 1929-58. [Google Scholar]
24. Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. 2015; 61: 85-117. [PubMed] [Google Scholar]
25. Hartigan JA, Wong MA. Algorithm AS 136: A k-means Clustering Algorithm. Journal of the Royal Statistical Society. 1979; 28(1): 100-8. [Google Scholar]
26. Krizhevski A, Sutskever I, Hinton GE. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 2012; 25. [Google Scholar]
27. Abadi M, Agarwal A, Barham P, et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. arXiv:1603.04467. 2016. [Google Scholar]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA code


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Edraki A, Razminia A. Classification of White Blood Cells Using Convolutional Neural Network. Iran South Med J. 2018; 21 (1) :65-80
URL: http://ismj.bpums.ac.ir/article-1-915-fa.html

ادراکی امین، رزمی‌نیا ابوالحسن. طبقه‌بندی گلبول‌های سفید با استفاده از شبکه عصبی کانولوشنی. طب جنوب. 1397; 21 (1) :65-80

URL: http://ismj.bpums.ac.ir/article-1-915-fa.html



دوره 21، شماره 1 - ( دوماهنامه طب جنوب 1397 ) برگشت به فهرست نسخه ها
دانشگاه علوم پزشکی بوشهر، طب جنوب ISMJ

Iranian South Medical Journal is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License which allows users to read,
copy, distribute and make derivative works for non-commercial purposes from the material, as long as the author of the original work is cited properly

Copyright © 2017, Iranian South Medical Journal| All Rights Reserved

Persian site map - English site map - Created in 0.06 seconds with 30 queries by YEKTAWEB 3790