Counting of RBCs and WBCs in noisy normal blood smear microscopic images
Notice bibliographique
Résumé
This work focuses on the segmentation and counting of peripheral blood smear particles which plays a vital role in medical diagnosis. Our approach profits from some powerful processing techniques. Firstly, the method used for denoising a blood smear image is based on the Bivariate wavelet. Secondly, image edge preservation uses the Kuwahara filter. Thirdly, a new binarization technique is introduced by merging the Otsu and Niblack methods. We have also proposed an efficient step-by-step procedure to determine solid binary objects by merging modified binary, edged images and modified Chan-Vese active contours. The separation of White Blood Cells (WBCs) from Red Blood Cells (RBCs) into two sub-images based on the RBC (blood's dominant particle) size estimation is a critical step. Using Granulometry, we get an approximation of the RBC size. The proposed separation algorithm is an iterative mechanism which is based on morphological theory, saturation amount and RBC size. A primary aim of this work is to introduce an accurate mechanism for counting blood smear particles. This is accomplished by using the Immersion Watershed algorithm which counts red and white blood cells separately. To evaluate the capability of the proposed framework, experiments were conducted on normal blood smear images. This framework was compared to other published approaches and found to have lower complexity and better performance in its constituent steps; hence, it has a better overall performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».