Анализ белых клеток крови з помощью сверточных нейронных сетей
Использование сверточных нейронных сетей для дифференцирования белых клеток крови. Классификация белых клеток крови на гистологических изображениях. Применение transfer learning в обучении сверточных нейронных сетей для классификаций белых клеток крови.
| Рубрика | Биология и естествознание |
| Вид | статья |
| Язык | русский |
| Дата добавления | 01.02.2022 |
| Размер файла | 91,6 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Казанский Федеральный Университет
АНАЛИЗ БЕЛЫХ КЛЕТОК КРОВИ С ПОМОЩЬЮ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
Чегодаев Д.А., студент магистратуры 2 курс,
факультет «Прикладная математика и информатика»
г. Казань
Аннотация
Сверточные нейронные сети стали невероятно популярны для решения задач дифференцирования белых клеток крови. Последние исследования показали очень неплохие результаты по классификации белых клеток крови на гистологических изображениях. Однако, задача по -прежнему является сложной и очень востребованной, в следствие того, что предыдущие работы не покрывали классификацию в 6 типов клеток крови и использовали в своих исследованиях малое число данных, что не могло гарантировать достаточную обобщенность модели, чтобы использовать ее в клинической практике. Данная работа предлагает модифицированную архитектуру EfficientNet-b4, обученную на основе крупномасштабного набора из ГАУЗМКДЦ, состоящую из 11457. Точность на всех трех наборах данных составляет 99%.
Ключевые слова: Глубокое обучение, сверточные нейронные сети, лейкоформула.
Annotation
Convolutional neural networks have become incredibly popular for solving problems of white blood cells differentiation. Recent studies have shown very good results in the classification of white blood cells in histological images. However, the task is still difficult and very popular, as a result of the fact that previous studies did not cover the classification of 6 types of blood cells, and used a small number of data in their studies, which could not guarantee sufficient generalization of the model to use it in clinical practice. This paper proposes a modified EfficientNet-b4 architecture, trained on the basis of a large-scale set (11457 images) of State Autonomous Institution of Health ".Interregional clinical diagnostic center". The accuracy on all three data sets is 99%.
Key words: Deep learning, convolutional neural networks, white blood cell differential.
Введение
Кровь является одним из самых жизненно важных компонентов внутренней среды человеческого организма, и многие функции органов тела человека зависят от качества крови. Здоровье крови можно оценить, проанализировав компоненты последней (клетки). Как правило, кровь содержит клетки и жидкую часть, известную как плазма. Клетки крови составляют около 45% объема всего ее состава, в то время, как плазма составляет оставшиеся 55%.
Лейкоформула определяет концентрацию лейкоцитов в крови пациента. Она демонстрирует процентное содержание каждого из пяти типов зрелых лейкоцитов. Этот тест включен в общие медицинские обследования и помогает исследовать различные заболевания. Повышенное количество лейкоцитов возникает при инфекции, аллергии, системных заболеваниях, воспалении, повреждении тканей и лейкемии. Низкое количество лейкоцитов может наблюдаться при некоторых вирусных инфекциях, иммунодефицитных состояниях и недостаточности костного мозга.
Подсчет белых клеток дает подсказки об определенных заболеваниях и помогает врачам следить за выздоровлением пациента. Ненормальные показатели, которые возвращаются к норме, указывают на то, что состояние улучшается, в то время как показатели, которые превышают допустимые значения, указывают на то, что состояние пациента ухудшается.
Лейкоформула покажет, какие типы лейкоцитов страдают больше всего. Например, повышенное количество лейкоцитов с абсолютным увеличением лимфоцитов, имеющих атипичный внешний вид, чаще всего вызвано инфекционным мононуклеозом. Данный анализ также выявит ранние лейкемии, которые могут быть реактивными (например, реакция на острую инфекцию) или результатом лейкемии. Лейкоциты включают в себя: нейтрофилы (палочкоядерные и сегментоядерные), базофилы, моноциты, лимофциты и эозинофилы.
Основная часть
В отличие от бинарной классификации, многоклассовая классификация не имеет понятия нормальных и аномальных исходов. Вместо этого примеры классифицируются как принадлежащие к одному из ряда известных классов.
В некоторых задачах количество меток классов может быть очень большим. Например, в данной работе модель может предсказать, какой конкретный лейкоцит на изображении принадлежит одному из 6 классов в наборе из нескольких тысяч экземпляров.
Сферы для тех задач классификации, которые имеют более двух классов множество, например:
• Классификация лиц
• Классификация видов растений
• Оптическое распознавание символов
Несмотря на то, что семейство архитектур EfficientNet хорошо показало себя на классическом наборе данных Imagenet, это еще не говорит о том, что оно способно дать хорошие результаты на других данных. При выборе модели учитывалась точность и количество параметров (Flops). В данной работе этот вид моделей был использован как основной.
Во время предварительных исследований в архитектуре сети конечный слой был изменен на линейный. Измененный слой имеет 6 выходов, это необходимо для адаптации данной нейронной сети для успешного решения мультиклассовой задачи. В качестве техники обучения применялся Transfer learning. Также стоит отметить, что входное изображение было с разрешением 224x224 в отличии от рекоммендаций в статье.
Техники аугментации:
• RandomResizedCrop(size=256, scale=(0.8, 1.0)),
• RandomRotation(degrees=45),
• RandomHorizontalFlip(),
• RandomVerticalFlip(p=0.5),
• Сеп1егСгор(Б12е=224),
• ColorJitter(brightness = 1)
Выбор данных параметров аугментации был связан с тем, что это полностью объясняет вариацию данных белых клеток крови. Так, поворачивая, отзеркаливая изображение, мы можем получить всевозможные вариации нахождения клетки в 2 Б пространстве.
Среди параметров обучения устанавливалось число эпох и общее число тренировочных объектов в одной итерации (batch size).
Для подсчета потерь использовалась кросс-энтропийная функция потерь CrossEntropyLoss.
Лучшими гиперпараметрами оказались:
• Batch size -16
• Оптимизатор - Adam
• Learning rate - 0.005 с 1 по 50 эпоху
• Learning rate - 0.0000015 с 30 по 80 эпоху
Таблица 1
Сравнение результатов
|
Исследование |
Набор данных |
Размер выборки |
Количество классов |
Метод |
Точность |
|
|
(Habibzadeh et al. 2018) |
Personal (dhruvp 2019) |
352 |
4 |
CNN |
93.17% |
|
|
(Liang et al. 2018) |
BCCD (Shenggan 2019) |
364 |
4 |
RNN (LSTM), CNN |
90.79% |
|
|
(Su et al. 2014) |
(CellaVision 2019) |
450 |
5 |
Morphology, NN, SVM, MLP |
95.18% |
|
|
W-net |
Private |
6,562 |
5 |
CNN |
97.00% |
|
|
W-net |
LISC public data |
254 |
5 |
CNN, further training |
96.00% |
|
|
(Khaled Almezhghwi et al. 2020) |
LISC |
254 |
5 |
DenseNet-169 (Tran_aug3+ GAN aug3) |
98.80% |
|
|
Данная работа |
Private |
11457 |
6 |
EfficientNet b4 +Transfer learning |
99.64% |
Заключение
сверточный клетка кровь нейронный
В рамках данной работы было исследовано, что наиболее эффективным подходом в обучении сверточных нейронных сетей для классификаций белых клеток крови является transfer learning. При этом необходимо, чтобы предобученные веса не были заморожены. Метрика accuracy, равная 99% на всех 3 выборках, является лучшим результатом на май 2021 года благодаря применению современных техник обучения и модификации архитектуры Effпcientnet_b4, опережая предыдущие работы минимум на 2%. Также собран наиболее полный и релевантный набор данных по белым клеткам крови на данный момент.
Использованные источники
1. Y. Li and L. Chen, “Big biological data: Challenges and opportunities,” Genom. Proteom. Bioinf., vol. 12, no. 5, p. 187, 2014.
2. M. Mulisch and U. Welsch, Romeis-Mikroskopische Technik. Springer-Verlag, 2015.
3. Wang, Q.; Chang, L.; Zhou, M.; Li, Q.; Liu, H.; and Guo, F. 2016. A spectral and morphologic method for white blood cell classification. OLT 84:144-148
4. Chernecky, Cynthia C., and Barbara J. Berger. Laboratory Tests and Diagnostic Procedures, 3rd ed. Philadelphia, PA: W. B. Saunders Company, 2001.
Размещено на Allbest.ru
...Подобные документы
Роль стромы и микроокружения кроветворных органов в образовании и развитии клеток крови. Теории кроветворения, постоянство состава клеток крови и костного мозга. Морфологическая и функциональная характеристика клеток различных классов схемы кроветворения.
реферат [1,1 M], добавлен 07.05.2012Изучение процесса образования, развития и созревания клеток крови: лейкоцитов, эритроцитов, тромбоцитов у позвоночных. Исследование основных гемопоэтических факторов роста. Клетки - предшественницы кроветворения. Анализ основных классов клеток крови.
презентация [2,9 M], добавлен 07.04.2014Изучение принципа действия биопринтера, способного из клеток создавать любой орган, нанося клетки слой за слоем. Анализ технологии выращивания искусственных органов на основе стволовых клеток. Исследование механизма быстрого самообновления клеток крови.
реферат [1,8 M], добавлен 25.06.2011Генетические факторы в развитии зрительных сетей. Последствия аномального сенсорного опыта в ранние периоды жизни. Развитие слепоты после закрытия век. Ответы кортикальных клеток после монокулярной депривации. Морфологические изменения в коре после нее.
реферат [1,0 M], добавлен 06.11.2009Особенности структуры кровеносной системы человека. Характеристика строения и основных видов клеток крови (эритроциты, тромбоциты, лейкоциты). Исследование этапов образования тромбов. Обзор главных функций крови: транспортная, защитная, соединительная.
презентация [854,7 K], добавлен 19.05.2010Кадмий как химический элемент. Изучение влияния азотнокислого кадмия на активность аланинаминотрансферазы и аспартатаминотрансферазы в сыворотке крови и тканях органов у потомства белых крыс, подвергшихся токсическому действию в неонатальный период.
дипломная работа [228,4 K], добавлен 27.10.2010Общие сведения о белых медведях: внешний вид, распространение, образ жизни и питание. Особенности их социальной структуры и размножения. Влияние глобального потепления на популяцию белых медведей. Зависимость роста численности популяции от рождаемости.
курсовая работа [2,6 M], добавлен 20.09.2012Объем крови в организме взрослого здорового человека. Относительная плотность крови и плазмы крови. Процесс образования форменных элементов крови. Эмбриональный и постэмбриональный гемопоэз. Основные функции крови. Эритроциты, тромбоциты и лейкоциты.
презентация [4,2 M], добавлен 22.12.2013Кровь. Функции крови. Состав крови. Плазма крови. Форменные элементы крови. Процесс свертывания крови при ранении сосудов очень сложный и сводится в конечной стадии к тому, что фибриноген плазмы крови превращается в нерастворимый белок фибрин.
реферат [11,7 K], добавлен 12.10.2003Основные функции бокаловидных клеток как клеток эпителия слизистой оболочки кишечника и других органов позвоночных животных и человека. Форма клеток и особенности их локализации. Секрет бокаловидных клеток. Участие бокаловидных клеток в секреции слизи.
реферат [2,9 M], добавлен 23.12.2013Тканеспецифичные стволовые клетки, стволовые клетки крови млекопитающих. Базальные кератиноциты - стволовые клетки эпидермиса. Способность клеток к специализации (дифференцировке). Регенерация сердечной ткани. Перспективы применения стволовых клеток.
реферат [25,2 K], добавлен 07.04.2014Содержание воды в организме человека. Кровь как разновидность соединительных тканей. Состав крови, ее функции. Объем циркулирующей крови, содержание веществ в ее плазме. Белки плазмы крови и их функции. Виды давления крови. Регуляция постоянства рН крови.
презентация [593,9 K], добавлен 29.08.2013Основные разновидности живых клеток и особенности их строения. Общий план строения эукариотических и прокариотических клеток. Особенности строения растительной и грибной клеток. Сравнительная таблица строения клеток растений, животных, грибов и бактерий.
реферат [5,5 M], добавлен 01.12.2016Кровь — жидкая ткань организма, состоящая из плазмы и взвешенных в ней клеток: лейкоцитов, эритроцитов и тромбоцитов. Свойства крови, транспортная, защитная, терморегуляторная функции. Антигенные характеристики эритроцитов, определяющих группы крови.
презентация [532,1 K], добавлен 21.02.2016Клетка как единая система сопряженных функциональных единиц. Гомологичность клеток. Размножение прокариотических и эукариотических клеток. Роль отдельных клеток во многоклеточном организме. Разнообразие клеток в пределах одного многоклеточного организма.
реферат [28,6 K], добавлен 28.06.2009Понятие о системе крови. Органы кроветворения человека. Количество крови, понятия о ее депонировании. Форменные элементы и клетки крови. Функциональное значение белков плазмы. Поддержание постоянной кислотно-щелочного равновесия крови человека.
презентация [3,1 M], добавлен 29.10.2015Жизнедеятельность клеток: понятие об обмене веществ, росте, дифференциации, раздражительности. Ткани внутренней среды: кровь, лимфа, тканевая жидкость. Морфологический состав крови: эритроциты, лейкоциты, тромбоциты. Особенности строения черепа собаки.
контрольная работа [36,9 K], добавлен 18.06.2010Обзор процесса циркуляции крови по организму, уничтожения болезнетворных организмов. Изучение состава и форменных элементов крови. Описания классификации групп крови, зависимости группы ребенка от группы родителей, лечения заболеваний переливание крови.
презентация [1,9 M], добавлен 23.09.2011Анализ регуляторной, терморегуляторной, дыхательной, гомеостатической, питательной и защитной функций крови. Исследование форменных элементов крови. Химический состав тромбоцитов. Характеристика сферы действия лейкоцитов. Место лимфоцитов в системе крови.
презентация [630,7 K], добавлен 27.01.2016География распределения групп крови и отрицательного резус-фактора. Изучение групп крови народов Земли. Исследование популяционного родства. Качества характера и особенности человека по группе его крови. Статьи о группах крови человека и их появлении.
презентация [371,1 K], добавлен 13.12.2016
