An Automatic Nucleus Segmentation and Classification of White Blood Cell with ResUNet
Notice bibliographique
Résumé
Leukocytes, another name for white blood cells, or WBCs, are essential components of our immune system, playing a crucial role in protecting our bodies from infection and disease.When we look at immune disorders and bacterial infections, we see that lymphocytes play a central role in the adaptive immune response, while neutrophils are essential in the fight against bacterial infections, and basophils are involved in allergic and inflammatory reactions.When one of these three types of white blood cell (WBC) is affected, it can have a variety of consequences for the immune system and the body's overall health, leading to serious illnesses such as AIDS, leukemia and severe allergic reactions such as anaphylaxis.The diagnosis of some disorders can benefit greatly from the segmentation of the white blood cell nucleus.Analysis of cell morphology, in particular the shape and size of the nucleus in microscopic images, can provide indications of a cell's state of health.In this work, we suggest a fully automatic method for segmenting the nuclei of the three types of WBC (neutrophils, lymphocytes, basophils) using a convolutional neural network named WCSegNet based on the Unet architecture consisting of residual convolution blocks activated by the LeakyRlu activation function.Our technique succeeded in segmenting the cell nucleus and classifying microscopic images according to their type.The results obtained are encouraging, with precision scores in excess of 0.90.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,007 |
| 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 ».