Biblioteca122.739 documentos en línea

Artículo

Improved Classification of White Blood Cells with the Generative Adversarial Network and Deep Convolutional Neural NetworkMejora de la clasificación de los glóbulos blancos con la red generativa adversarial y la red neuronal convolucional profunda

Resumen

Los glóbulos blancos (leucocitos) son un componente muy importante de la sangre que forma el sistema inmunitario, encargado de combatir los elementos extraños. Los cinco tipos de glóbulos blancos son los neutrófilos, los eosinófilos, los linfocitos, los monocitos y los basófilos, y cada tipo constituye una proporción diferente y realiza funciones específicas. Poder clasificar y, por tanto, contar estos diferentes componentes es fundamental para evaluar la salud de los pacientes y los riesgos de infección. Por lo general, para determinar el tipo de un glóbulo blanco se utilizan experimentos de laboratorio. El proceso de tinción y la evaluación manual de las imágenes adquiridas al microscopio son tediosos y están sujetos a errores humanos. Además, un reto importante es la falta de datos de entrenamiento que cubran las variaciones morfológicas de los glóbulos blancos para que los clasificadores entrenados puedan generalizar bien. Por ello, este trabajo investiga las operaciones de transformación de imágenes y las redes generativas adversariales (GAN) para el aumento de datos y las redes neuronales profundas de última generación (es decir, VGG-16, ResNet y DenseNet) para la clasificación de los glóbulos blancos en los cinco tipos. Además, exploramos la posibilidad de inicializar los pesos de las DNNs de forma aleatoria o utilizando pesos preentrenados en el conjunto de datos CIFAR-100. A diferencia de otros trabajos que requieren un preprocesamiento avanzado de la imagen y la extracción manual de características antes de la clasificación, nuestro método trabaja directamente con las imágenes adquiridas. Los resultados de los extensos experimentos muestran que el método propuesto puede clasificar con éxito los glóbulos blancos. El mejor modelo de DNN, DenseNet-169, arroja una precisión de validación del 98,8%. En particular, encontramos que el enfoque propuesto supera a otros métodos que se basan en el procesamiento sofisticado de imágenes y la ingeniería manual de características.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento