மருத்துவ பரிசோதனைகளின் இதழ்
திறந்த அணுகல்

சுருக்கம்

பல்வேறு குறுக்கீடு காரணிகளின் கீழ் லுகோசைட்டுகளைக் கண்டறிவதற்கான ஆழமான கற்றல் மாதிரி

மெய்யு லி, லீ லி, ஷுவாங் பாடல், பெங் ஜி, ஹன்ஷன் ஜாங், லு லு, சியாக்சியாங் லியு, ஃபாங் ஜெங், காங் லின், ஷிஜி ஜாங், க்சுகுவோ சன்

லுகோசைட்டுகளின் துல்லியமான கண்டறிதல் இரத்த அமைப்பு நோய்களைக் கண்டறிவதற்கான அடிப்படையாகும். இருப்பினும், தற்போதைய முறைகள் மற்றும் கருவிகள் அடையாளம் காணும் செயல்முறையை முழுமையாக தானியக்கமாக்கத் தவறிவிடுகின்றன அல்லது குறைந்த செயல்திறன் கொண்டவை. தற்போதைய நிலையை மேம்படுத்த, நாம் இன்னும் அறிவார்ந்த முறைகளை உருவாக்க வேண்டும். இந்த தாளில், ஆழ்ந்த கற்றல் அடிப்படையிலான முறையைப் பயன்படுத்தி லுகோசைட்டுகளுக்கான உயர் செயல்திறன் தானியங்கி கண்டறிதலை நிறைவேற்றுவதை நாங்கள் ஆராய்வோம். லுகோசைட் டிடெக்டரை உருவாக்குவதற்கான ஒரு முழுமையான வேலை பைப்லைன் வழங்கப்படுகிறது, இதில் தரவு சேகரிப்பு, மாதிரி பயிற்சி, அனுமானம் மற்றும் மதிப்பீடு ஆகியவை அடங்கும். ஒன்பது பொதுவான மருத்துவ குறுக்கீடு காரணிகளைக் கருத்தில் கொண்டு, 6273 படங்கள் (8595 லுகோசைட்டுகள்) கொண்ட புதிய லுகோசைட் தரவுத்தொகுப்பை நாங்கள் நிறுவியுள்ளோம். தரவுத்தொகுப்பின் அடிப்படையில், ஆறு முக்கிய கண்டறிதல் மாதிரிகளின் செயல்திறன் மதிப்பீடு மேற்கொள்ளப்படுகிறது, மேலும் வலுவான குழுமத் திட்டம் முன்மொழியப்பட்டது. சோதனைத் தொகுப்பில் உள்ள குழுமத் திட்டத்தின் mAP@ IoU=0.50:0.95 மற்றும் mAR@IoU=0.50:0.95 முறையே 0.853 மற்றும் 0.922 ஆகும். மோசமான தரமான படங்களின் கண்டறிதல் செயல்திறன் வலுவானது. முதன்முறையாக, முழுமையற்ற லுகோசைட்டுகளைக் கண்டறிவதற்கு குழுமத் திட்டம் 98.84% துல்லியத்தை அளிக்கிறது. கூடுதலாக, வெவ்வேறு மாடல்களின் சோதனை முடிவுகளை ஒப்பிட்டுப் பார்த்தோம், மேலும் மாடல்களின் ஒரே மாதிரியான பல தவறான கண்டறிதல்களைக் கண்டறிந்தோம், பின்னர் கிளினிக்கிற்கான சரியான பரிந்துரைகளை வழங்கினோம்.