骨髓红粒细胞自动识别的深度学习模型

发布时间：2024-12-18 01:02

　　 为了实现骨髓血细胞的自动识别,构建了骨髓红系细胞和粒系细胞数据集,基于深度学习语义分割技术提出了Cell Net网络模型。该模型通过加入残差模块增加了网络的深度,利用卷积残差块使网络模型更容易训练,并结合U-Net的裁剪操作为分割提供更精细的特征。实验结果表明,该模型对骨髓红系细胞和粒系细胞识别正确率分别达到93.65%、95.25%,为骨髓血细胞自动识别技术提供了一种方法。

【文章页数】：8 页

【部分图文】：

图1 骨髓血细胞图像数据处理过程

笔者构建了骨髓血细胞数据集BMCD(BoneMarrowCellsDataset)(https:∥pan.baidu.com/s/1EPAJ＿AzAeAWFt9th4mP2＿g．提取码:nf08)，该数据集由吉林大学第二医院血液科采集，血液科医师使用IDA-2000数....

图2 Cell Net模型网络架构

CellNet是一种基于U-Net[21]和ResNet50[24]的图像语义分割模型，CellNet网络结构与U-Net相似，为编码器-解码器结构，如图2所示。CellNet网络的输入图像尺寸为512×512×3像素，经过3次卷积、1次下采样操作和14个3层残差模块逐步....

图3 3层残差模块

CellNet网络模型第1个卷积层定义卷积核大小为7×7，步长为2，下采样操作定义卷积核大小为3×3，步长为2，输出图像尺寸为128×128×64像素，之后经过14个3层残差模块和两次步长分别为1和2的卷积，输出图像的尺寸变为8×8×1024，编码器结构参数如表1所示。Cel....

图4 骨髓血细胞图像分割效果图

如图4所示，笔者在测试集上选用4幅骨髓血细胞图像进行对比分析，其中图4a为原图像，图4b为对应的掩膜(Mask)图，图4c和图4d分别为CellNet、U-Net网络分割的结果。根据分割结果对比可以看出，CellNet网络在分割精度上有较大提高，拟合效果较强，对不同形态分布的骨....

本文编号：4016801