Journal des essais cliniques
Libre accès

Abstrait

Un modèle d'apprentissage profond pour la détection des leucocytes sous divers facteurs d'interférence

Meiyu Li, Lei Li, Shuang Song, Peng Ge, Hanshan Zhang, Lu Lu, Xiaoxiang Liu, Fang Zheng, Cong Lin, Shijie Zhang, Xuguo Sun

La détection précise des leucocytes est la base du diagnostic des maladies du système sanguin. Cependant, les méthodes et instruments actuels ne parviennent pas à automatiser complètement le processus d'identification ou ont de faibles performances. Pour améliorer la situation actuelle, nous devons développer des méthodes plus intelligentes. Dans cet article, nous étudions la détection automatique à hautes performances des leucocytes à l'aide d'une méthode basée sur l'apprentissage profond. Un pipeline de travail complet pour la construction d'un détecteur de leucocytes est présenté, qui comprend la collecte de données, la formation du modèle, l'inférence et l'évaluation. Nous avons établi un nouvel ensemble de données de leucocytes qui contient 6273 images (8595 leucocytes), en tenant compte de neuf facteurs d'interférence cliniques courants. Sur la base de l'ensemble de données, l'évaluation des performances de six modèles de détection courants est réalisée et un schéma d'ensemble plus robuste est proposé. Les mAP@ IoU=0.50:0.95 et mAR@IoU=0.50:0.95 du schéma d'ensemble sur l'ensemble de test sont respectivement de 0,853 et 0,922. Les performances de détection des images de mauvaise qualité sont robustes. Pour la première fois, il a été constaté que le schéma d'ensemble permettait une précision de 98,84 % pour la détection des leucocytes incomplets. De plus, nous avons également comparé les résultats des tests de différents modèles et avons trouvé plusieurs fausses détections identiques des modèles, puis avons fourni des suggestions correctes pour la clinique.