换一批摘要白细胞图像的自动分类有助于提高临床诊疗效率,但仍需进一步改进方法以提高分类正确率.探索用卷积神经网络(CNN)进行外周血白细胞图像的自动分类识别.在深度学习框架Caffe上,以AlexNet和LeNet为网络原型构建CNN训练平台;用CellaVision DM96采集外周血涂片中的5类白细胞图像,经人工鉴定后按训练∶校验∶测试=7∶2∶1的比例,随机分配图像构建原始数据集,再通过平移、旋转及镜像构建扩充数据集;训练时采用随机梯度下降算法优化模型权值,以分类准确率＞95％为目标评估训练结果及优化调整网络结构.结果发现,AlexNet的训练误差无法收敛,陷入局部极小,LeNet则达到预期目标.随后对LeNet网络进行删减优化,获得一轻量高效的新结构——CCNet,其在模型大小、训练用时和分类用时上分别仅为LeNet的1/1000、1/3和1/30.两者对979张5类细胞图像的最佳分类准确率分别达到99.69％和99.18％,高于目前同类研究报道.结果表明,CNN可用于5类白细胞图像的“端对端”分类识别,特别是CCNet模型兼具准确与效率优势.
更多相关知识
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2018.01.003
发布时间
2018-05-09（万方平台首次上网日期，不代表论文的发表时间）
基金项目
福建省科技重点项目（2012Y0058）
- 浏览0
- 被引32
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
