摘要
骨髓中白细胞过度增殖会导致一种名为白血病的血液癌症。这种癌症会削弱免疫功能，因此及时检测和诊断对人类健康至关重要。近年来出现了多种用于白血病诊断的手动和自动化方法，不过后者在白血病治疗方面仍需医生的参与。显微镜检查是白血病诊断中的重要技术，因为它能够详细观察血细胞并准确识别癌细胞。不过，人工智能尤其是深度学习技术也被用来提升白血病的检测与分类能力。本研究提出了一种利用卷积神经网络从显微图像中检测白血病的方法。该方法首先对图像进行预处理，然后通过数据增强策略扩充训练数据集，使图像样本数量从270个增加到1268个。研究中使用U-Net模型来区分白血病细胞与正常细胞，从而高效地从高分辨率显微图像中提取特征。随后，借助基于CNN的架构对ASH数据集进行分类，以区分不同类型的白血病。通过10折交叉验证，所提出的模型在二分类中的准确率为99.06%，多分类准确率为98.68%，召回率为96.74%，精确率为96.83%，F1值为96.77%±1.09%。这些结果表明该模型的性能与其他方法相当。我们的模型将显微成像技术与深度学习相结合，在白血病计算机辅助诊断方面展现出良好前景。不过，还需要在更大规模、更多样化的数据集上对该模型进行训练。未来还可以通过引入其他深度学习模型或探索更有效的数据增强技术，将这一方法拓展到其他血液疾病的检测中。
要点
- 研究人员开发了一种基于深度学习的自动化架构，可用于利用数字显微血液涂片图像对白血病进行二分类和多分类。
- 设计了一种具有多层结构的改进型CNN框架，可用于识别数字显微图像中的正常细胞以及多种类型的白血病细胞。
- 为实现精准分割，研究采用了知名的CNN架构U-Net，用于从血液显微图像中准确划分白血病区域，进而提升特征提取效率。
- 为应对显微数据集规模有限的难题并避免过拟合，研究应用了多种数据增强方法。
- 在预处理阶段，采用线性插值技术调整数字显微图像的大小，同时运用中值滤波器提升图像质量并去除噪声。
- 所提出的框架计算效率高，且能比以往方法获得更可靠的结果。
声明
仅使用了人工智能工具Grammarly来进行语言润色和语法修正。所有的科学和技术内容均由作者亲自撰写并验证。
利益冲突声明
作者声明不存在任何利益冲突。
数据可用性说明
支持本研究结论的数据可在[Ash Image Bank]的[https://imagebank.hematology.org]网站上获取。
