Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2021-21-6-903-911
УДК 004.89
Исследование методов машинного обучения в задаче идентификации клеток крови
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Елагина Е.А., Маргун А.А. Исследование методов машинного обучения в задаче идентификации клеток крови // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 6. С. 903–911. doi: 10.17586/2226-1494-2021-21-6-903-911
Аннотация
Предмет исследования. Развитие области медицинской визуализации — важная задача при растущей потребности в автоматизированной, быстрой и эффективной диагностике. Традиционно количество клеток крови определяется с помощью гемоцитометра при использовании дополнительного лабораторного оборудования и химических соединений, но данный метод занимает много времени и является трудоемким. В работе исследовано применение методов машинного обучения к задаче идентификации и классификации клеток крови для увеличения скорости распознавания без ухудшения качества. Метод. Выполнен сравнительный анализ методов распознавания клеток крови на основе подходов искусственного интеллекта. Использованы методы: опорных векторов, алгоритма k-ближайших соседей, глубокого обучения (сверточная нейронная сеть) и нейронная сеть с прямым распространением. Основные результаты. Сравнительный анализ качества работы рассмотренных алгоритмов выполнен на наборе обучающих данных с более чем 3000 изображений образцов клеток. Показано, что программа реализации методов искусственного интеллекта обеспечивает время распознавания клеток в пределах 4–6 с при использовании офисного персонального компьютера. Данное время существенно меньше времени, затрачиваемого медицинскими работниками на одно исследование биоматериала. Практическая значимость. Полученные результаты дают возможность автоматизировать процесс исследования биоматериала и сократить время проведения и получения результата анализа клеток цельной крови (идентификация и подсчет). Также позволяют уменьшить влияние ошибок оператора на результат, разгрузить вычислительные ресурсы, тем самым увеличить эффективность цифровой медицины.
Ключевые слова: метод опорных векторов, SVM, сверточные нейронные сети, CNN, машинное обучение, глубокое обучение
Список литературы
Список литературы
-
Meng N., Lam E.Y., Tsia K.K., So H.K. Large-scale multi-class image-based cell classification with deep learning // IEEE Journal of Biomedical and Health Informatics. 2019. V. 23. N 5. P. 2091–2098. https://doi.org/10.1109/JBHI.2018.2878878
-
Akrimi J.A., Suliman A., George L.E., Ahmad A.R. Classification red blood cells using support vector machine // Proc. of the 6th International Conference on Information Technology and Multimedia (ICIM). 2014. P. 265–269. https://doi.org/10.1109/ICIMU.2014.7066642
-
Дырнаев А.В. Метод подсчета эритроцитов на изображениях мазков крови // Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики. 2011. № 6(76). С. 17–22.
-
Cormen T.H., Leisorson C.E., Rivest R.L. Introduction to Algorithms. MIT Press, 1990. P. 185–191.
-
Alam M.M., Islam M.T. Machine learning approach of automatic identification and counting of blood cells // Healthcare Technology Letters. 2019. V. 6. N 4. P. 103–108. https://doi.org/10.1049/htl.2018.5098
-
Go T., Byeon H., Lee S.J. Label-free sensor for automatic identification of erythrocytes using digital in-line holographic microscopy and machine learning // Biosensors & Bioelectronics. 2018. V. 103. P. 12–18. https://doi.org/10.1016/j.bios.2017.12.020
-
Huang X., Jiang Y., Liu X., Xu H., Han Z., Rong H., Yang H., Yan M., Yu H. Machine learning based single-frame super-resolution processing for lensless blood cell counting // Sensors (Basel, Switzerland). 2016. V. 16. N 11. P. 1836. https://doi.org/10.3390/s16111836
-
Rivenson Y., Wu Y., Ozcan A. Deep learning in holography and coherent imaging // Light-Science & Applications. 2019. V. 8. P. 85. https://doi.org/10.1038/s41377-019-0196-0
-
Jo Y., Cho H., Lee S.Y., Choi G., Kim G., Min H.S., Park Y. Quantitative phase imaging and artificial intelligence: A Review // IEEE Journal of Selected Topics in Quantum Electronics. 2019. V. 25. N 1. P. 6800914. https://doi.org/10.1109/JSTQE.2018.2859234
-
Черных Е.М., Михелев В.М. Компьютерная система классификации лейкоцитов на изображениях клеток крови // Научный результат. Информационные технологии. 2019. Т. 4. № 3. С. 38–47. https://doi.org/10.18413/2518-1092-2019-4-3-0-6
-
Беляков В.К., Сухенко Е.П., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко A.А., Куцаев A.С., Осипов A.С., Кузнецов А.Б. Об одной методике классификации клеток крови и ее программной реализации // Программные продукты и системы. 2014. № 4(108). С. 46–56. https://doi.org/10.15827/0236-235X.108.046-056
-
Acevedo A., Merino A., Alférez S., Molina Á., Boldú L., Rodellar J. A dataset of microscopic peripheral blood cell images for development of automatic recognition systems // Data in Brief. 2020. V. 30. P. 105474. https://doi.org/10.1016/j.dib.2020.105474
-
Вандер Плас Дж. Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер, 2020. 576 с.
-
Ioffe S., Szegedy Ch. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proceedings of Machine Learning Research. 2015. V. 37. P. 448–456.