深度学习技术在细胞形态学图像处理中的研究进展

近年来,医学成像技术的飞速发展和普及应用使得医学图像分析进入了大数据时代,传统的利用医学成像设备进行筛查诊断的工作量巨大,并且由于患者的不断增多,往往伴随着患者病理学的个体差异、医生长时间辛苦的阅片工作和医生的主观评价等缺点,常会出现因假阳性率高而误诊的现象。深度学习技术在计算机视觉领域的巨大成功让医学图像实现计算机辅助筛查诊断成为可能。本文介绍了深度学习及其在细胞形态学图像处理领域的研究进展,总结了深度学习在细胞形态学图像分析中面临的挑战和可能的应对措施,并对应用前景进行了展望。     

深度学习技术在细胞形态学图像处理的研究进展

摘要：近年来，医学成像技术的飞速发展和普及应用使得医学图像分析进入了大数据时代，传统的利用医学成像设备进行筛查诊断的工作量巨大，并且由于患者的不断增多，往往伴随着患者病理学的个体差异、医生长时间辛苦的阅片工作和医生的主观评价等缺点，常会出现因假阳性率高而误诊的现象。深度学习技术在计算机视觉领域的巨大成功让医学图像实现计算机辅助筛查诊断成为可能。本文介绍了深度学习及其在细胞形态学图像处理领域的研究进展，总结了深度学习在细胞形态学图像分析中面临的挑战和可能的应对措施，并对应用前景进行了展望。     

白细胞散点图识别模型的建立与验证

目的 建立全血细胞分析白细胞分类(WDF)通道散点图的识别模型，验证其有效性。方法 运用卷积自编码技术，算法训练采用pytorch框架，模型训练采用AlexNet为基准网络，加入先验知识算法形成双重验证机制。采用32 729份WDF通道散点图作为初始数据集，由3位检验技师对散点图进行标定，根据2次标定结果是否完全一致将初始数据集分为特征显著散点图和特征不显著散点图，训练集、验证集和测试集A所含2类散点图数量按照8∶1∶1进行划分，即26 185份散点图作为训练集，3 272份散点图作为验证集，3 272份散点图作为测试集A。再通过日常工作中11 043份散点图(测试集B)验证模型精确率，并与检验技师的判断结果进行对比分析。结果 模型和检验技师在测试集A、B的精确率分别为0.956、0.967和0.924、0.932,模型和检验技师在测试集B所含正常、异常散点图精确率分别为0.979、0.935和0.992、0.795,所含特征显著、不显著散点图精确率分别为0.985、0.921和1.000、0.662。结论 当散点图特征不显著的情况时，该模型能够给出更加准确的结论，为检验技师提供有价值...