دوره 21، شماره 1 - ( دوماهنامه طب جنوب 1397 )
جلد 21 شماره 1 صفحات 80-65 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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
URL: http://ismj.bpums.ac.ir/article-1-915-fa.html
ادراکی امین، رزمی‌نیا ابوالحسن. طبقه‌بندی گلبول‌های سفید با استفاده از شبکه عصبی کانولوشنی. مجله طب جنوب. 1397; 21 (1) :65-80
امین ادراکی1 
، ابوالحسن رزمی‌نیا* 2
، 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
2- گروه مهندسی برق، دانشکده مهندسی، دانشگاه خلیج‌فارس بوشهر، بوشهر، ایران ، razminia@pgu.ac.ir
چکیده: (6269 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.
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
نوع مطالعه: پژوهشي |
موضوع مقاله:
حرفه پزشکی
دریافت: 1396/6/1 | پذیرش: 1396/7/29 | انتشار: 1396/12/7
دریافت: 1396/6/1 | پذیرش: 1396/7/29 | انتشار: 1396/12/7
فهرست منابع
1. Libbrecht MW, Noble WS. Machine Learning in Genetics and Genomics. Nature Reviews 2015; 16(6): 321-2. [DOI:10.1038/nrg3920]
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.
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. [DOI:10.1109/RBME.2009.2034865]
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. [DOI:10.1007/s00521-013-1438-3]
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. [DOI:10.1016/j.rti.2004.02.007]
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. [DOI:10.1109/TPAMI.1984.4767603]
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.
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 [DOI:10.1016/j.compmedimag.2011.01.003]
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. [DOI:10.1109/TITB.2007.892694]
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. [DOI:10.1002/cyto.b.20162]
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 [DOI:10.1109/TITB.2005.847502]
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. [DOI:10.1109/TSMCC.2002.1009139]
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. [DOI:10.1109/TITB.2005.855545]
15. Kashefpur M, Kafieh R, Jorjandi S, et al. Isfahan MISP Dataset. Journal of Medical Signals and Sensors 2017; 7(1): 43-8. [DOI:10.4103/2228-7477.199157]
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. [DOI:10.1117/12.2043605]
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. [DOI:10.1016/0031-3203(95)00169-7]
19. Suykens JAk, Vandewalle J. Least Squares Support Vector Machine Classifiers. Neural Processing Letters 1999; 9(3): 293-300. [DOI:10.1023/A:1018628609742]
20. Guo Y, Liu Y, Oerlemans A, et al. Deep Learning for Visual Undertanding: A Review. Neurocomputing 2016; 187: 27-48. [DOI:10.1016/j.neucom.2015.09.116]
21. LeCun Y, Bengio Y, Hinton G. Deep Learning. Nature 2015; 521: 436-44. [DOI:10.1038/nature14539]
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.
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.
24. Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. 2015; 61: 85-117. [DOI:10.1016/j.neunet.2014.09.003]
25. Hartigan JA, Wong MA. Algorithm AS 136: A k-means Clustering Algorithm. Journal of the Royal Statistical Society. 1979; 28(1): 100-8. [DOI:10.2307/2346830]
26. Krizhevski A, Sutskever I, Hinton GE. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 2012; 25.
27. Abadi M, Agarwal A, Barham P, et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. arXiv:1603.04467. 2016.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
