[论文解读] Convolutional Neural Network and decision support in medical imaging: case study of the recognition of blood cell subtypes

Daouda Diouf, D Seck+2 more|arXiv (Cornell University)|Nov 19, 2019

Digital Imaging for Blood Diseases参考文献 5被引用 8

一句话总结

本研究提出一种卷积神经网络（CNN）模型，利用标注的医学影像数据实现对四种主要血细胞亚型——中性粒细胞、嗜酸性粒细胞、淋巴细胞和单核细胞的自动分类。该模型在血细胞图像数据集上进行训练，验证准确率达到97.77%，在区分多核细胞与单核细胞方面表现优异，从而支持血液病学领域的临床决策。

ABSTRACT

Identifying and characterizing the patient's blood samples is indispensable in diagnostics of malignance suspicious. A painstaking and sometimes subjective task is used in laboratories to manually classify white blood cells. Neural mathematical methods as deep learnings can be very useful in the automated recognition of blood cells. This study uses a particular type of deep learning i.e., convolutional neural networks (CNNs or ConvNets) for image recognition of the four (4) blood cell types (neutrophil, eosinophil, lymphocyte and monocyte) and to enable it to tag them employing a dataset of blood cells with labels for the corresponding cell types. The elements of the database are the input of our CNN and they allowed us to create learning models for the image recognition/classification of the blood cells. We evaluated the recognition performance and outputs learned by the networks in order to implement a neural image recognition model capable of distinguishing polynuclear cells (neutrophil and eosinophil) from those of mononuclear cells (lymphocyte and monocyte). The validation accuracy is 97.77%.

研究动机与目标

• 在临床实验室中实现白细胞分类的自动化与客观化。
• 开发一种基于深度学习的图像识别系统，用于识别四种主要血细胞类型：中性粒细胞、嗜酸性粒细胞、淋巴细胞和单核细胞。
• 评估卷积神经网络在区分多核细胞与单核血细胞方面的性能。
• 通过提供一种准确、自动化的血细胞分类工具，支持临床决策制定。
• 使用高准确率的标注血细胞图像数据集验证模型的鲁棒性。

提出的方法

• 使用标注的血细胞图像数据集对卷积神经网络（CNN）进行训练，以学习分层特征用于分类。
• 输入数据由预处理的血细胞图像组成，每张图像均标注了对应的细胞类型。
• 该模型被训练用于将细胞分类为四种类别：中性粒细胞、嗜酸性粒细胞、淋巴细胞和单核细胞。
• 网络架构利用卷积层进行特征提取，全连接层进行最终分类。
• 通过验证准确率评估模型性能，重点在于区分多核细胞（中性粒细胞、嗜酸性粒细胞）与单核细胞（淋巴细胞、单核细胞）。
• 训练过程包括超参数调优与优化，以最大化分类准确率。

实验结果

研究问题

• RQ1 卷积神经网络能否从医学影像中准确分类四种主要血细胞亚型？
• RQ2 该CNN在区分多核细胞（中性粒细胞、嗜酸性粒细胞）与单核细胞（淋巴细胞、单核细胞）方面的效果如何？
• RQ3 在标注的血细胞图像数据集上，深度学习模型可达到何种水平的验证准确率？
• RQ4 自动化图像识别在多大程度上可减少血细胞分类中的主观性？
• RQ5 该模型能否作为临床血液病学环境中可靠的决策支持工具？

主要发现

• 所提出的CNN模型在血细胞分类任务中实现了97.77%的验证准确率。
• 该模型成功以高精度区分了多核细胞（中性粒细胞与嗜酸性粒细胞）与单核细胞（淋巴细胞与单核细胞）。
• 结果表明，深度学习技术可显著提升血细胞分类的准确率与客观性。
• 模型性能表明其在血液病学临床决策支持系统中具有强大的集成潜力。
• 本研究证实，CNN在医学影像中对血细胞亚型的自动识别方面极为有效。
• 高准确率表明该模型可减少对人工、耗时的实验室分类的依赖。