مقاله درآمدی بر طبقه بندی قابل تفسیر لکوسیت ها بر اساس یادگیری عمیق

چکیده

Label-free approaches are attractive in cytological imaging due to their flexibility and cost efficiency. They are supported by machine learning methods, which, despite the lack of labeling and the associated lower contrast, can classify cells with high accuracy where the human observer has little chance to discriminate cells. In order to better integrate these workflows into the clinical decision making process, this work investigates the calibration of confidence estimation for the automated classification of leukocytes. In addition, different visual explanation approaches are compared, which should bring machine decision making closer to professional healthcare applications. Furthermore, we were able to identify general detection patterns in neural networks and demonstrate the utility of the presented approaches in different scenarios of blood cell analysis.

چکیده به فارسی (ترجمه ماشینی)

رویکردهای بدون برچسب به دلیل انعطاف پذیری و راندمان هزینه در تصویربرداری سیتولوژیک جذاب هستند.آنها با روشهای یادگیری ماشین پشتیبانی می شوند ، که علی رغم عدم برچسب زدن و کنتراست پایین تر ، می توانند سلولهایی را با دقت بالا طبقه بندی کنند که ناظر انسان شانس کمی برای تبعیض سلول ها دارد.به منظور ادغام بهتر این گردش کار در فرآیند تصمیم گیری بالینی ، این کار به بررسی کالیبراسیون تخمین اطمینان برای طبقه بندی خودکار لکوسیت ها می پردازد.علاوه بر این ، رویکردهای مختلف توضیح بصری با یکدیگر مقایسه می شوند ، که باید تصمیم گیری دستگاه را به برنامه های مراقبت های بهداشتی حرفه ای نزدیک کند.علاوه بر این ، ما قادر به شناسایی الگوهای تشخیص عمومی در شبکه های عصبی و نشان دادن کاربرد رویکردهای ارائه شده در سناریوهای مختلف تجزیه و تحلیل سلولهای خونی بودیم.