fa طبقه‌بندی گلبول‌های سفید با استفاده از شبکه عصبی کانولوشنی حرفه پزشکی Practice of Medicine پژوهشي Original <span style="font-family:tahoma;"><strong><u>زمینه:</u></strong> <strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">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.</span></span></span></strong><br> <strong><u>مواد و روش‌ها</u></strong><strong><span dir="LTR">:</span></strong> <strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">در این مقاله، از روش خوشه‌بندی </span></span></span></strong><strong><span dir="LTR" style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:9.0pt;">k-means</span></span></span></strong> <strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">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 </span></span></span></strong><strong><span dir="LTR" style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:9.0pt;">MISP</span></span></span></strong> <strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">&ndash;</span></span></span></strong><strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;"> پایگاه داده رایگان و متشکل از تصاویر میکروسکوپی نمونه خون </span></span></span></strong><strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">&ndash;</span></span></span></strong><strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;"> انجام شده است. همچنین، روش‌های مختلف رگولاریزاسیون مثل حذف تصادفی و افزایش تعداد تصاویر پایگاه داده، برای جلوگیری از بیش ‌برازشِ (</span></span></span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">Overfitting</span></span></strong><strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">) مدلِ پیشنهادی مورد استفاده قرار گرفته‌اند.</span></span></span></strong><br> <strong><u><span style="letter-spacing:-.2pt;">یافته‌ها:</span></u></strong> <strong><span style="letter-spacing:-.1pt;"><span style="color:black;"><span style="font-size:10.0pt;">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.</span></span></span></strong><br> <strong><u>نتیجه‌گیری:</u></strong> <strong><span style="color:black;"><span style="font-size:10.0pt;">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.</span></span></strong></span> <div style="text-align: justify;"><strong><u>Background:</u></strong> 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.<br> <strong><u>Materials and Methods:</u></strong> 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.<br> <strong><u>Results:</u></strong> 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.<br> <strong><u>Conclusion:</u></strong> 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.<span dir="RTL"></span><br> <br> <span dir="RTL"></span></div> بخش‌بندی تصویر, طبقه‌بندی تصویر, شبکه‌های عصبی عمیق, تصاویر میکروسکوپی نمونه خون, گلبول سفید, شبکه عصبی کانولوشنی Image segmentation, image classification, deep neural networks, microscopic images of blood samples, white blood cell, convolutional neural network 65 80 http://ismj.bpums.ac.ir/browse.php?a_code=A-10-1-33&slc_lang=fa&sid=1 Amin Edraki امین ادراکی 5700319475328460010395 5700319475328460010395 No School of Electrical and Computers Engineering, University of Tehran, Tehran, Iran گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران AbolHassan Razminia ابوالحسن رزمی‌نیا razminia@pgu.ac.ir 5700319475328460010396 5700319475328460010396 Yes Department of Electrical Engineering, School of Engineering, Persian Gulf University, Bushehr, Iran گروه مهندسی برق، دانشکده مهندسی، دانشگاه خلیج‌فارس بوشهر، بوشهر، ایران