क्लिनिकल परीक्षण जर्नल
खुला एक्सेस

अमूर्त

विभिन्न हस्तक्षेप कारकों के तहत ल्यूकोसाइट्स का पता लगाने के लिए एक गहन शिक्षण मॉडल

मीयू ली, लेई ली, शुआंग सोंग, पेंग जीई, हैनशान झांग, लू लू, शियाओक्सियांग लियू, फैंग झेंग, कांग लिन, शिजी झांग, ज़ुगुओ सन

ल्यूकोसाइट्स का सटीक पता लगाना रक्त प्रणाली रोगों के निदान का आधार है। हालाँकि, वर्तमान विधियाँ और उपकरण या तो पहचान प्रक्रिया को पूरी तरह से स्वचालित करने में विफल रहते हैं या उनका प्रदर्शन कम होता है। वर्तमान स्थिति को बेहतर बनाने के लिए, हमें अधिक बुद्धिमान तरीके विकसित करने की आवश्यकता है। इस पत्र में, हम एक गहन शिक्षण-आधारित विधि का उपयोग करके ल्यूकोसाइट्स के लिए उच्च-प्रदर्शन स्वचालित पहचान को पूरा करने की जांच करते हैं। ल्यूकोसाइट डिटेक्टर बनाने के लिए एक पूर्ण कार्यशील पाइपलाइन प्रस्तुत की गई है, जिसमें डेटा संग्रह, मॉडल प्रशिक्षण, अनुमान और मूल्यांकन शामिल हैं। हमने नौ सामान्य नैदानिक ​​हस्तक्षेप कारकों पर विचार करते हुए 6273 छवियों (8595 ल्यूकोसाइट्स) वाले एक नए ल्यूकोसाइट डेटासेट की स्थापना की। डेटासेट के आधार पर, छह मुख्यधारा के पहचान मॉडल का प्रदर्शन मूल्यांकन किया जाता है, और एक अधिक मजबूत समूह योजना प्रस्तावित की जाती है। परीक्षण सेट पर समूह योजना के mAP@ IoU=0.50:0.95 और mAR@IoU=0.50:0.95 क्रमशः 0.853 और 0.922 हैं। खराब गुणवत्ता वाली छवियों का पता लगाने का प्रदर्शन मजबूत है। पहली बार, यह पाया गया है कि समूह योजना अपूर्ण ल्यूकोसाइट्स का पता लगाने के लिए 98.84% की सटीकता प्रदान करती है। इसके अलावा, हमने विभिन्न मॉडलों के परीक्षण परिणामों की भी तुलना की और मॉडलों के कई समान गलत पहचान पाए, फिर क्लिनिक के लिए सही सुझाव दिए।