[论文解读] Early Diagnosis of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models

Alaa Awad, Salah A. Aly|arXiv (Cornell University)|Oct 14, 2024

Digital Imaging for Blood Diseases被引用 4

一句话总结

本研究提出了一种基于 YOLOv8 和 YOLOv11 深度学习模型的新型急性淋巴细胞白血病（ALL）早期诊断框架，该框架在合并的多细胞血涂片数据集上进行训练。通过利用迁移学习、数据增强和分割技术，模型在区分恶性与良性白细胞方面实现了 98.8% 的测试准确率，包括对常被误诊为 ALL 的造血祖细胞的准确检测。

ABSTRACT

Leukemia, a severe form of blood cancer, claims thousands of lives each year. This study focuses on the detection of Acute Lymphoblastic Leukemia (ALL) using advanced image processing and deep learning techniques. By leveraging recent advancements in artificial intelligence, the research evaluates the reliability of these methods in practical, real-world scenarios. Specifically, it examines the performance of state-of-the-art YOLO models, including YOLOv8 and YOLOv11, to distinguish between malignant and benign white blood cells and accurately identify different stages of ALL, including early stages. Moreover, the models demonstrate the ability to detect hematogones, which are frequently misclassified as ALL. With accuracy rates reaching 98.8%, this study highlights the potential of these algorithms to provide robust and precise leukemia detection across diverse datasets and conditions.

研究动机与目标

• 开发一种基于深度学习的系统，用于在血涂片图像中实现急性淋巴细胞白血病（ALL）的早期且准确检测。
• 通过在多细胞图像而非单细胞数据集上进行训练，弥补现有模型在真实临床环境中的不足。
• 通过整合两个不同数据集（ALL 图像数据集和 ALL-IDB1）提升模型的泛化能力。
• 准确将造血祖细胞分类为良性，减少以往模型中常见的假阳性结果。
• 评估并比较 YOLOv11 和 YOLOv8 在不同阶段和细胞类型中检测 ALL 的性能。

提出的方法

• 本研究采用 YOLOv11 和 YOLOv8 小型（s）版本作为主要目标检测模型，用于白细胞的分类。
• 数据预处理包括图像分割、灰度化和掩码处理，以从多细胞血涂片图像中分离出单个细胞。
• 利用在 ALL-IDB1 和 ALL 图像数据集合并数据集上预训练的 YOLO 架构，应用迁移学习和微调。
• 将数据集重新组织为两类：'正常'（来自 ALL 数据集的良性细胞与来自 ALL-IDB1 的正常细胞合并）和 '癌症'（来自 ALL 数据集的早期、前体和原始阶段细胞与来自 ALL-IDB1 的癌细胞合并）。
• 使用标准指标评估性能：准确率 = (TP + TN) / (TP + TN + FP + FN)，精确率 = TP / (TP + FP)，召回率 = TP / (TP + FN)，F1 分数 = 2 × (精确率 × 召回率) / (精确率 + 召回率)，特异性 = TN / (TN + FP)。
• 训练过程持续 100 个周期，采用早停法和学习率调度，以优化收敛性和泛化能力。

实验结果

研究问题

• RQ1 YOLOv11 和 YOLOv8 模型能否在多细胞血涂片图像中实现对早期急性淋巴细胞白血病的高准确率检测？
• RQ2 将 ALL 图像数据集与 ALL-IDB1 数据集结合，如何提升模型在不同类型样本中的泛化能力？
• RQ3 这些模型在多大程度上能正确识别造血祖细胞为非恶性，从而减少 ALL 诊断中的假阳性？
• RQ4 YOLOv11 在 ALL 检测中的性能指标（准确率、精确率、召回率、F1 分数、特异性）与 YOLOv8 相比如何？
• RQ5 数据增强和迁移学习对模型收敛性和分类性能有何影响？

主要发现

• YOLOv11s 在测试中达到 98.8% 的准确率，优于 YOLOv8s 的 98.4% 准确率。
• YOLOv11 模型表现出稳定的训练和验证损失曲线，波动极小，表明其收敛性稳健。
• 混淆矩阵显示，仅有 0.06% 的良性白细胞（包括造血祖细胞）被错误分类为癌性，凸显其高特异性。
• 整合两个具有差异性的数据集（ALL 图像数据集和 ALL-IDB1）显著提升了模型在不同形态学模式的母细胞中的泛化能力。
• YOLOv11 的准确率高于以往的最先进模型，如 VCaps-Net（98.64%）和自定义 CNN（97.85%），确立了 ALL 检测的新基准。
• 该模型成功区分了造血祖细胞与恶性母细胞，解决了以往 ALL 检测系统中长期存在的挑战。