doi: 10.17586/2226-1494-2021-21-6-903-911


УДК 004.89

Исследование методов машинного обучения в задаче идентификации клеток крови

Елагина Е.А., Маргун А.А.


Читать статью полностью 
Язык статьи - русский

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
  1. 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
  2. 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
  3. 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.
  4. Cormen T.H., Leisorson C.E., Rivest R.L.  Introduction to Algorithms. MIT Press, 1990. P. 185–191.
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. Вандер Плас Дж. Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер, 2020. 576 с.
  14. 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.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика