A Step Towards Automated Haematology: DL Models for Blood Cell Detection and Classification
Notice bibliographique
Résumé
INTRODUCTION: Deep Learning has significantly impacted various domains, including medical imaging and diagnostics, by enabling accurate classification tasks. This research focuses on leveraging deep learning models to automate the classification of different blood cell types, thus advancing hematology practices. OBJECTIVES: The primary objective of this study is to evaluate the performance of five deep learning models - ResNet50, AlexNet, MobileNetV2, VGG16, and VGG19 - in accurately discerning and classifying distinct blood cell categories: Eosinophils, Lymphocytes, Monocytes, and Neutrophils. The study aims to identify the most effective model for automating hematology processes. METHODS: A comprehensive dataset containing approximately 8,500 augmented images of the four blood cell types is utilized for training and evaluation. The deep learning models undergo extensive training using this dataset. Performance assessment is conducted using various metrics including accuracy, precision, recall, and F1-score. RESULTS: The VGG19 model emerges as the top performer, achieving an impressive accuracy of 99% with near-perfect precision and recall across all cell types. This indicates its robustness and effectiveness in automated blood cell classification tasks. Other models, while demonstrating competence, do not match the performance levels attained by VGG19. CONCLUSION: This research underscores the potential of deep learning in automating and enhancing the accuracy of blood cell classification, thereby addressing the labor-intensive and error-prone nature of traditional methods in hematology. The superiority of the VGG19 model highlights its suitability for practical implementation in real-world scenarios. However, further investigation is warranted to comprehend model performance variations and ensure generalization to unseen data. Overall, this study serves as a crucial step towards broader applications of artificial intelligence in medical diagnostics, particularly in the realm of automated hematology, fostering advancements in healthcare technology.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».