طبقه‌بندی تصاویر گلبول‌های سفید خون به کمک شبکه‌های عصبی کانوولوشنی عمیق پیش‌تعلیم‌یافته

امروزه شبکه‌های عصبی کانوولوشنی عمیق(cnn) در پردازش و بازشناسی تصاویر پزشکی کاربرد گسترده‌ای پیدا کرده‌است. از آنجاکه معمولاً تعداد نمونه‌های مربوط به تصاویر پزشکی کم است، کاربرد cnnها در این زمینه با مشکل مواجه می‌شود. یکی از راهکارها به منظور حل این مشکل، استفاده از روش‌های افزایش تعداد تصاویر است. راهکار دیگر، استفاده از شبکه‌های عصبی عمیق کانوولوشنی پیش‌تعلیم یافته براساس مفهوم یادگیری انتقالی است. یادگیری انتقالی به معنای استفاده از یک مدل آموزش‌یافته در یک تکلیف برای تکالیف جدید، با انتقال دانش موجود در شبکه می‌باشد. در این مقاله، از شبکه‌های عصبی عمیق کانوولوشنی به منظور تشخیص خودکار لوسمی لنفوبلاستیک حاد، که یکی از بیماری‌های حیاتی برای گلبول‌های سفید خون است، استفاده می‌شود. به این منظور، ابتدا اثر روش‌های افزایش دادگان برروی نتایج طبقه‌بندی cnnها و تعلیم آنها با شروع از مقادیر تصادفی اولیه مورد بررسی قرار گرفت. سپس، دو ساختار شبکه عصبی عمیق کانوولوشنی پیش‌تعلیم یافته الکس‌نت و گوگل‌نت جهت طبقه‌بندی تصاویر گلبول‌های سفید مورد تنظیم دقیق قرار گرفتند. نتایح پیاده‌سازی‌های انجام شده برروی دادگان allidb نشان می‌دهد که می‌توان با افزایش تعداد نمونه‌های تعلیمی و استفاده از شبکه‌های پیش‌تعلیم یافته، به درصد دقت طبقه‌بندی 31/92درصد دست یافت که نشان‌دهنده تاثیر به اشتراک گذاشته‌شدن اطلاعات و نیاز به تعداد تصاویر کم به منظور تنظیم این ساختارها است.

White Blood Cell Image Classification by Pre-Trained Deep Convolutional Neural Networks

Nowadays, Deep Convolutional Neural Networks (CNN) have been implemented widely in medical image processing and recognition. As there is not enough training data in medical applications, deep neural network structures are not able to train well. One of the proposed solutions to get rid of this problem is data augmentation. Another solution is the application of pre-trained deep CNNs based on transfer learning concept. Transfer learning is the technique in which a model trained for a special task is used to learn another tasks by transferring its knowledge. In this article, deep CNNs are used for automatic acute lymphoblastic leukemia detection, a fatal disease of white blood cells. To this end, the effect of training CNN structures from scratch on augmented dataset is investigated. Then, two pre-trained deep CNNs: AlexNet as well as GoogleNet, are fine-tuned for classification of white blood cell images. Experimental results on ALLIDB (Acute Lymphoblastic Leukemia Image DataBase) verify that data augmentation achieves the detection accuracy of 90.38%, where implementation of pre-trained CNNs improve the results to 92.79%.