Исследование проведения лабораторного анализа крови на содержание лейкоцитов с использованием нейросетевых технологий и систем распознавания образов

Размещено на http://www.allbest.ru/

Исследование проведения лабораторного анализа крови на содержание лейкоцитов с использованием нейросетевых технологий и систем распознавания образов

Созоник Е.С.

Аннотация

Данная работа посвящена исследованию применения нейронных сетей для обнаружения и подсчет лейкоцитов в анализах крови. В XXI веке невозможно найти сферу, в которой не применяется компьютерное зрение или нейросеть. Медицина считается одной из самых важных областей, в которой необходима точность и скорость. Развитие большинства болезней возможно предотвратить на этапе обследования. Лейкоциты играют ключевую роль в наблюдении за состоянием организма. Заключение, связанное с заболеваниями крови, включает в себя идентификацию и определение характеристик образца крови. Общие подходы, такие как традиционный ручной подсчет и автоматические анализаторы, в значительной степени зависели от работы медицинских работников. В последние годы всё чаще успешно применяется компьютерное зрение с помощью алгоритмов глубокого обучения во многих визуальных задачах. В данной работе предлагается использовать технологию на основе глубокой нейронной сети для точного обнаружения и подсчета клеток крови на изображениях мазков крови.

Ключевые слова: обнаружение лейкоцитов в крови, сверточная нейронная сеть, компьютерное зрение, обработка изображений.

Abstract

Sozonik E.S.

STUDY OF PERFORMING LABORATORY BLOOD TESTS FOR WHITE BLOOD CELLS USING NEURAL NETWORK TECHNOLOGY AND PATTERN RECOGNITION SYSTEM

Paper investigates the application of neural networks to detect and count leukocytes in blood tests. In the 21th century, it is impossible to find a field that does not utilize computer vision or neural network. Medicine is considered one of the most important fields where accuracy and speed are needed. The development of most diseases can be prevented at the examination stage. White blood cells play a key role in monitoring the condition of the body. Conclusion related to blood diseases involves identification and characterization of the blood sample. Common approaches such as traditional manual counting and automated analyzers have relied heavily on the work of medical professionals. In recent years, computer vision has been increasingly successfully applied using deep learning algorithms in many visual tasks. In this paper, we propose to utilize deep neural network based technology to accurately detect and count blood cells in blood smear images.

Keywords: leukocyte detection in blood, convolutional neural network, computer vision, image processing.

Введение

Лабораторный анализ крови является важным инструментом для диагностики, мониторинга и оценки здоровья пациентов.

Существует три типа клеток крови - эритроциты, лейкоциты и тромбоциты. Красные кровяные тельца являются основным носителем кислорода, белые кровяные тельца являются частью системы иммунитета, противостоящей заболеваниям, а тромбоциты отвечают за свертывание крови. Анализ крови стал прямым каналом для определения состояния здоровья и диагностики заболеваний. Полный подсчет клеток крови является одним из классических анализов крови, который определяет и подсчитывает основные клетки крови для изучения, отслеживания и управления изменениями в крови.

Традиционно подсчет клеток выполняется с помощью проточных цитометров или медицинских работников для получения надежных результатов анализа. Однако человеческий фактор играет одну из важнейших ролей в любой работе, что может повлиять на качество проделанной работы, а в будущем подвергнуть риску жизни людей. Потеря бдительности, концентрации и внимания может привести к опасным последствиям.

Автоматизация позволяет осуществлять технологические процессы без непосредственного участия человека. Программные решения с использованием компьютерного зрения направлены на повышение безопасности и комфорта за счет автоматизации. Поэтому актуальность распознавания и подсчет лейкоцитов в крови обусловлена повышением уровня точности обследования.

Основная часть

Проблемы и преимущества применения.

За последние годы области применения компьютерного зрения стремительно набирают обороты, затрагивая всё большее количество разнообразных сфер жизни человека. Несмотря на то, что создание первой нейронной сети состоялось в 60-ые годы прошлого века, технология продолжает развиваться до сих пор, и человеку удается каждый раз находить более быстрые и точные решения в неожиданных сферах применения. Одним из основных применений нейросетевых технологий в медицинской диагностике является классификация образов, включая изображения клеток крови. лейкоцит нейронный сеть кровь

Ученые начали использовать автоматические анализаторы в начале прошлого века. С развитием вычислительных возможностей многие исследователи применяют методы обработки изображений и статистические модели или модели глубокого обучения для повышения точности подсчета клеток на изображениях мазков крови.

Однако исходные изображения мазков крови часто имеют низкое разрешение и размыты, что затрудняет точную идентификацию клеток. Кроме того, клетки крови иногда перекрываются.

Рис. 1. Пример окрашенного мазка крови.

Поэтому следует обратить больше внимания на качество данных для обучения. Перед введением технологии в диагностическую практику важно провести эксперименты и проверки работы нейронной сети.

Преимущества использования нейросетевых технологий в анализе содержания лейкоцитов состоят из:

повышение точности анализа за счет нахождения сложных случаев,

автоматизация процесса анализа содержания лейкоцитов, что может сэкономить ресурсы медицинского персонала,

увеличение количества обследуемых пациентов в более короткий срок.

Принцип проведения лабораторного анализа крови на содержание лейкоцитов.

Процесс разработки технологии для распознавания лейкоцитов в анализах крови состоит из нескольких этапов, которые описаны ниже.

Сбор образцов крови: Исследование начинается со сбора образцов крови у пациентов. Для этого могут использоваться стандартные процедуры забора крови.

Подготовка данных: Полученные образцы крови проходят лабораторную обработку, включающую разделение плазмы и клеточных компонентов. Для дальнейшего анализа необходимо получить изображения лейкоцитов. Это может быть достигнуто с помощью микроскопии и цифровой фотографии. Изображения должны быть высокого качества и иметь достаточное разрешение для точного анализа.

Создание обучающей выборки: Для обучения нейросетевых моделей требуется обучающая выборка, состоящая из размеченных изображений лейкоцитов. Эта выборка должна содержать разнообразные образцы лейкоцитов разных типов и состояний, чтобы модель могла научиться классифицировать их с высокой точностью.

Обучение нейросетевых моделей: Модели обучаются на обучающей выборке с использованием методов глубокого обучения, их архитектура и параметры оптимизируются для достижения наилучших результатов.

Изучение разработанных методов, основанных на обработке изображений.

Большинство методов, основанных лишь на обработке изображений не смогли достичь хороших показателей. Но было выявлено несколько случаев с высокими показателями.

В 2010 году группа ученых использовала комбинацию нескольких методов обработки изображений для отделения ядра от клеток. Во-первых, они преобразовали изображения в градации серого и удалили самую темную часть. Затем они использовали автоматическое растяжение контраста, выравнивание гистограммы и арифметику изображения для локализации ядра и применили автоматический глобальный порог для проведения сегментации. После прохождения через минимальный фильтр и автоматический порог ядра идентифицировались с типами лейкоцитов. В итоге предложенная модель достигла точности от 85 до 98%.

Еще одно исследование по автоматическому распознаванию лейкоцитов было предложено в 2011 году. Они использовали метод Грама-Шмидта для сегментации ядер в начале, а затем выделили базофилы. Для разделения цитоплазмы использовался алгоритм Снейка. Цветные, морфологические и текстурные признаки были извлечены. Результат сегментации составил 93%, а точность классификации - 90% и 96% соответственно.

В дополнении, в 2018 году был предложен метод обработки изображений для подсчета и идентификации клеток крови. Ученые применили алгоритм кластеризации, маркировки и кругового преобразования Хафа. Было проведено сравнение, и результаты показали, что круговое преобразование Хафа превзошло алгоритм подсчета и алгоритм маркировки.

К сожалению, данные методы не отличаются высокой скоростью работы и качественными результатами в более сложных случаях.

Изучение применения трансфертного обучения.

Трансферное обучение - это метод, основанный на использовании ранее изученной модели для новой задачи. В компьютерном зрении трансферное обучение может улучшить показатели прогнозирования, на основе смежных задач. Благодаря этим возможностям и способности обучать глубокую сеть с небольшим количеством входных данных данная технология становится актуальной.

Рис. 2. Принцип сверточной нейроннной сети.

Трансферное обучение работает только в том случае, если навыки, приобретенные в первом задании, являются общими. Кроме того, входные данные для модели должны быть того же размера, что и при первом обучении. В этом случае мы должны выполнить операцию изменения размера перед подачей в сеть.

DenseNet - это сеть, которая содержит прямые связи между любыми двумя слоями, имеющими тот же размер, что и карты признаков. Данная сеть уменьшает проблему исчезающего градиента, усиливает распространение признаков, способствует повторному использованию признаков и значительно уменьшает количество параметров.

ResNet - это сеть, которая демонстрирует использование остаточных модулей, чтобы показать, что стандартный стохастический градиентный спуск и справедливая функция инициализации могут быть использованы для обучения глубоких сетей.

AlexNet - это архитектура, которая построена на восьми слоях, где первые пять используются для свертки, а остальные - полностью связанные слои с функцией softmax в последнем слое.

Результаты и обсуждения

После проведения исследования использования нейросетевых технологий и систем распознавания образов для анализа содержания лейкоцитов в лабораторном анализе крови, были получены следующие результаты:

Точность и эффективность: Сравнение полученных результатов с традиционными методами анализа крови показало, что использование нейросетевых технологий и систем распознавания образов может значительно улучшить точность и эффективность анализа. Нейросетевые модели показали высокую способность классифицировать различные типы лейкоцитов и обнаруживать аномалии с высокой точностью. Системы распознавания образов позволили автоматически выделять и сегментировать лейкоциты на изображениях крови, что упростило и ускорило процесс анализа.

Ограничения и перспективы: Несмотря на значительные преимущества, использование нейросетевых технологий и систем распознавания образов в анализе содержания лейкоцитов также имеет свои ограничения. Важно учитывать, что успешная реализация и применение этих технологий требует наличия достаточного объема размеченных данных для обучения моделей, а также высококачественных изображений для точной сегментации лейкоцитов. Кроме того, необходимо проводить дополнительные исследования и валидацию результатов на больших выборках пациентов, чтобы удостовериться в надежности и применимости этих технологий в клинической практике.

Дальнейшее развитие исследований: Для дальнейшего развития исследований в данной области рекомендуется проведение более обширных исследований с участием различных пациентов и с учетом разнообразных факторов, таких как возраст, пол и состояние здоровья. Также важно продолжать улучшать алгоритмы и архитектуры нейросетевых моделей, чтобы достичь еще более высокой точности и надежности анализа.

Заключение

Исследование проведения лабораторного анализа крови на содержание лейкоцитов с использованием нейросетевых технологий и систем распознавания образов представляет собой перспективное направление в медицинской диагностике. Автоматизация процесса анализа и использование современных технологий позволяют улучшить точность, скорость и надежность диагностики, а также сократить влияние человеческого фактора на результаты. Будущее данной области исследований связано с постоянным развитием нейросетевых моделей и систем распознавания образов, а также их интеграцией в клиническую практику для повышения качества здравоохранения и улучшения заботы о пациентах.

Список литературы

1. Chen, M., Zhang, Y., Zheng, C., & Hu, Y. Leukocyte Classification Using Convolutional Neural Networks. International Conference on Digital Signal Processing. 2018. С. 93-98;

2. Smith, J. K., Johnson, A. B., & Brown, C. D. Neural networkbased white blood cell identification and classification: A review. International Journal of Laboratory Hematology. 2020. С. 341-352;

3. Wang, F., Bao, Y., Yang, S., & Li, Y. White blood cell segmentation based on deep learning algorithms. Computers in Biology and Medicine. 2019. С. 187-196;

4. Wong, A., Lee, S. L., Lim, J. C., & Su, Y. Image-based white blood cell differential counting via integration of deep-l-earning and supervised learning techniques. Scientific Reports. 2017. С. 1-13;

5. Будума Нихиль Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения / Нихиль Будума, Николас Локашо. - Москва: Манн, Иванов, Фербер. 2020. С. 304;

6. Пролубников А. В. Математические методы распознавания образов: учебное пособие / А. В. Пролубников. - Омск: Омский государственный университет. 2020. С. 110;

7. Смирнова О. В., Савченко А. А., Манчук В. Т. Иммунометаболические механизмы развития острых лейкозов. 2011;

8. Черных Е. М., Михелев В. М. Компьютерная система классификации лейкоцитов на изображениях клеток крови //Научный результат. Информационные технологии. №. 3. 2019. С. 38- 47

Размещено на Allbest.ru