شناسایی چندکلاسی سلول‌های ناهمگون خونی برمبنای الگوریتم شورایی و تجمیع توصیفگر بافت

سلول های بیولوژیکی، واحدهای حیاتی سلولی تشکیل دهنده همه موجودات زنده هستند. بنابراین درک نحوه عملکرد و تمایز سلول ها از یکدیگر برای تشخیص بیماری از اهمیت بالایی برخوردار است. در طرح پیشنهادی جهت تشخیص رسته های مختلف خونی از تصاویر میکروسکوپی جمع آوری شده با بهره گیری از ویژگی های تصاویر در حوزه فرکانس و تبدیل موجک استفاده شده است.ضرایب موجک تصویر به یک شبکه عصبی yolo داده شده تا بین رسته های خونی تمایز قائل شود. در ادامه از شبکه عصبی کانولوشنی جهت تعیین ویژگی های مکانی تصویر بهره گیری شده است. نوآوری دیگر، اعمال تئوری آشوب بر روی فیلترهای وزنی لایه کانولوشن جهت تولید ویژگی های میانی متنوع و متمایز است. در نهایت پس از عبور از لایه میانی و بر اساس نتایج پایش شده هشدارهایی به پزشک در خصوص احتمال بروز بیماری صادر می شود.

multiclass identification of heterogeneous blood cells based on the council algorithm and tissue descriptor aggregation

understanding the functioning of biological cells and the differentiation of cells from each other is of great importance for disease diagnosis and treatment. according to expert doctors, if we can reveal the abnormality in the first stages of the formation of changes in blood cells, we will be able to treat it early and prevent its complications. in the proposed scheme, the image wavelet coefficients are fed to a yolo neural network to distinguish between different blood types. in the following, convolutional neural network, golden eagle optimization method (geo) and knn classifier are used to create a new classifier. in parallel, the power of 3 famous classifiers including decision tree (dt), simple bayesian (nb) and k nearest neighbor (knn) is used as collaborative classifier. the simulation results indicate that the presented model has accurately predicted the type of blood cell based on the training given to the model.