返回顶部
返回首页
返回首页
今日    | 手机版 | 热点 | 资讯 | 产品 | 商道 | 店铺 |
home 您现在的位置: 首页 >仪器设备>技术中心 > 详细信息
机器学习从根本上减少了细胞计数用于疾病诊断的工作量
2022年06月05日    阅读量:751     新闻来源:互联网(QQ或邮件联系23341571@qq.com)    |  投稿

然而,使用机器学习来进行血细胞计数以诊断疾病,而不是使用昂贵且通常精度较低的细胞分析仪,这是一项非常劳动密集型的工作,因为在机器学习模型的培训中,需要大量的人工注释工作。然而,Benihang大学的研究人员开发了一种新的训练方法,可以自动完成大部分的训练活动。

4月9日,他们的新训练计划发表在《电子人与仿生系统》杂志上。

血液中细胞的数量和类型通常在疾病诊断中起着至关重要的作用,但通常用于进行此类血细胞计数的细胞分析技术鈥攊解决悬浮在液体中的细胞的物理和化学特性的检测和测量鈥攁价格昂贵,需要复杂的准备工作。更糟糕的是,由于温度、pH值、电压和磁场等各种影响,细胞分析仪的准确度仅为90%左右,这些影响可能会使设备混淆。

为了提高准确性、降低复杂性和降低成本,许多替代方法的研究最近集中在使用计算机程序对高密度血液采集的照片进行“分割”上铿乶连接到显微镜的ition摄像头。分割涉及到对照片中出现的内容逐像素进行标记的算法,在这种情况下,图像的哪些部分是细胞,哪些部分不是细胞鈥攊n本质,计算图像中的细胞数。

对于只显示单一类型细胞的图像,此类方法可以达到相当高的精度,但在面对具有多种类型细胞的图像时,其性能较差。因此,近年来,为了解决这个问题,研究人员转向了卷积神经网络(CNN)鈥攁 反映人类视觉皮层连接结构的机器学习类型。

为了让美国有线电视新闻网执行这项任务,它必须首先接受“训练”,了解人类手动标记的数千张细胞图像上的细胞是什么和不是什么。然后,当喂食一张新的未标记图像时,它可以识别并计数其中的细胞。

“但是,即使在专家的帮助下,这种手动标记也很费劲和昂贵,”该论文的合著者、北京航空航天大学机械工程与自动化系教授Guangdong Zhan说,“这违背了一种比细胞分析仪更简单、更便宜的替代品的目的。”

因此,北京航空航天大学的研究人员开发了一种新的CNN训练方案,即U-Net,这是一种完全卷积的网络分割模型,自2015年首次开发以来,已广泛应用于医学图像分割。

在新的训练方案中,CNN首先在数千张图像上进行训练,其中只有一种类型的细胞(取自小鼠的血液)。

这些单细胞类型的图像由传统算法自动“预处理”,这些算法可以减少图像中的噪声,提高图像质量,并检测图像中物体的轮廓。然后执行自适应图像分割。后一种算法计算黑白图像中不同级别的灰度,如果图像的一部分超过某个灰度阈值,则该算法将其分割为不同的对象。使该过程具有自适应性的是,它不是根据固定的灰度阈值分割出部分图像片段,而是根据图像的局部特征进行分割。

将单细胞类型的训练集呈现给U-Net模型后,使用一小组多细胞类型的手动注释图像对模型进行微调。相比之下,仍保留了一定数量的手动注释,需要人类标记的图像数量从以前的数千张下降到了600张。

为了测试他们的训练方案,研究人员首先在相同的小鼠血液样本上使用传统的细胞分析仪进行独立的细胞计数,以比较他们的新方法。他们发现,他们的训练方案对多细胞类型图像的分割准确率为94.85%,这与人工标注的多细胞类型图像的训练水平相同。

该技术还可以应用于更高级的模型,以考虑更复杂的分割问题。

由于新的训练技术仍然需要一定程度的手动注释,研究人员希望继续开发一种用于注释和训练模型的全自动算法。

标签:技术中心生物制药仪器设备
免责声明: 本文仅代表作者本人观点,与本网无关。本网对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考,并请自行承担全部责任。本网转载自其它媒体的信息,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请在一周内进行,以便我们及时处理。客服邮箱:service@cnso360.com | 客服QQ:23341571

全站地图

深圳网络警察报警平台 深圳网络警
察报警平台

公共信息安全网络监察 公共信息安
全网络监察

经营性网站备案信息 经营性网站
备案信息

中国互联网举报中心 中国互联网
举报中心

中国文明网传播文明 中国文明网
传播文明

深圳市市场监督管理局企业主体身份公示 工商网监
电子标识