Advanced biomedical imaging for identifying blood cell type: Integrating segmentation, feature extraction, and GraphSAGE model
Notice bibliographique
Résumé
The analysis of blood, including red blood cells (RBC) and different types of white blood cells (WBCs) plays a major role in the diagnosis of certain diseases. Automated segmentation of blood cells and their components can assist clinicians in effectively making diagnoses; however, it is quite challenging Objective: This study proposes a computerized approach to assessing the significance of biomedical imaging. It presents a framework for segmenting blood cells as well as their nuclei from the histopathological images of multiple datasets. Additionally, a custom algorithm is developed for blood cell counting. This study introduces two automated methods for WBC analysis, including image segmentation to distinguish between WBCs and RBCs, the nuclei of the WBC, and classifying WBC types using clinically important features. An effective segmentation approach with image preprocessing algorithms is developed for automatic counting of WBCs and RBCs. An improved GraphSAGE model is constructed to classify blood cells. Clinically relevant features are extracted from segmented WBCs and nuclei for a final dataset. Feature ranking analysis identifies optimal features and reduces dimensionality, aiding graph dataset construction based on data similarity. Our proposed model achieved an accuracy of 96.67 %. A comparative analysis with benchmark models is done to assess the effectiveness of the model. The explainability of the model is addressed to enhance the transparency of the diagnostic system and provide insight into the decision-making process. Leveraging the automated, simultaneous segmentation of blood cells and exploring their relationships for effective classification substantially helps to improve the reliability and applicability of this diagnostic system and aid clinicians.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».