Eficiente red neuronal convolucional para detectar y contar los glóbulos de la sangre
DOI:
https://doi.org/10.15359/ru.36-1.28Palabras clave:
red neuronal convolucional, aprendizaje profundo, glóbulos rojos, glóbulos blancosResumen
El análisis de células sanguíneas es una parte importante de la evaluación de la salud y la inmunidad. Hay tres componentes principales de los glóbulos rojos, los glóbulos blancos y las plaquetas. El recuento y la densidad de estas células sanguíneas se utilizan para encontrar múltiples trastornos como infecciones de la sangre como anemia, leucemia, etc. Los métodos tradicionales consumen mucho tiempo y el costo de las pruebas es alto. Por tanto, surge la necesidad de métodos automatizados que puedan detectar diferentes tipos de células sanguíneas y contar el número de células. Se propone un marco basado en una red neuronal convolucional para la detección y el recuento de las células. La red neuronal se entrena para las múltiples iteraciones y se guarda un modelo que tiene una menor pérdida de validación. Los experimentos se realizan con el fin de analizar el rendimiento del sistema de detección y los resultados con alta precisión en el recuento de células. La precisión promedio se logra al analizar las respectivas etiquetas que hay en la imagen. Se ha determinado que el valor de la precisión promedio, oscila entre el 70% y el 99,1% con un valor medio de 85,35%. El coste computacional de la propuesta fue de 0.111 segundos, procesar una imagen con dimensiones de 640 × 480 píxeles. El sistema también se puede implementar en ordenadores con CPU de bajo costo, para la creación rápida de prototipos. La eficiencia de la propuesta, para identificar y contar diferentes células sanguíneas, se puede utilizar para ayudar a los profesionales médicos a encontrar los trastornos y la toma decisiones, a partir de la identificación automática.
Referencias
Acharjee, S., Chakrabartty, S., Alam, M. I., Dey, N., Santhi, V. & Ashour, A. S. (2016). A semiautomated approach using GUI for the detection of red blood cells. 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), 525–529. https://doi.org/10.1109/ICEEOT.2016.7755669
Acharya, V. & Kumar, P. (2018). Identification and red blood cell automated counting from blood smear images using computer-aided system. Medical & Biological Engineering & Computing, 56(3), 483–489. https://doi.org/10.1007/s11517-017-1708-9
Alam, M. M. & Islam, M. T. (2019). Machine learning approach of automatic identification and counting of blood cells. Healthcare Technology Letters, 6(4), 103–108. https://doi.org/10.1049/htl.2018.5098
Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Van Esesn, B. C., Awwal, A. A. S. & Asari, V. K. (2018). The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches. https://arxiv.org/abs/1803.01164
Alomari, Y. M., Sheikh Abdullah, S. N. H., Zaharatul Azma, R. & Omar, K. (2014). Automatic Detection and Quantification of WBCs and RBCs Using Iterative Structured Circle Detection Algorithm. Computational and Mathematical Methods in Medicine, 2014, 1–17. https://doi.org/10.1155/2014/979302
BCCD. (2020). Blood Cell Count Dataset. GitHub, Inc. https://github.com/Shenggan/BCCD_Dataset
Cruz, D., Jennifer, C., Valiente, Castor, L. C., Mendoza, C. M. T., Jay, B. A., Jane, L. S. C. & Brian, P. T. B. (2017). Determination of blood components (WBCs, RBCs, and Platelets) count in microscopic images using image processing and analysis. 2017IEEE 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM), 1–7. https://doi.org/10.1109/HNICEM.2017.8269515
Habibzadeh Motlagh, M., Jannesari, M., Rezaei, Z., Totonchi, M. & Baharvand, H. (2018). Automatic white blood cell classification using pre-trained deep learning models: ResNet and Inception. In J. Zhou, P. Radeva, D. Nikolaev & A. Verikas (Eds.), Tenth International Conference on Machine Vision (ICMV 2017) (p. 105). SPIE. https://doi.org/10.1117/12.2311282
Krizhevsky, A., Sutskever, I. & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
LeCun, Y., Bengio, Y. & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Lin, T.-Y., Dollar, P., Girshick, R., He, K., Hariharan, B. & Belongie, S. (2017). Feature Pyramid Networks for Object Detection. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 936–944. https://doi.org/10.1109/CVPR.2017.106
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P. & Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context (pp. 740–755). In: Fleet D., Pajdla T., Schiele B., Tuytelaars T. (eds) Computer Vision – ECCV 2014. ECCV 2014. Lecture Notes in Computer Science, vol 8693. Springer, Cham. https://doi.org/10.1007/978-3-319-10602-1_48
Lou, J., Zhou, M., Li, Q., Yuan, C. & Liu, H. (2016). An automatic red blood cell counting method based on spectral images. 2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), 1391–1396. https://doi.org/10.1109/CISP-BMEI.2016.7852934
Ma, Rong., Liang, Yuanzhi. & Ma, Y. (2016). A self-adapting method for RBC count from different blood smears based on PCNN and image quality. 2016 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 1611–1615. https://doi.org/10.1109/BIBM.2016.7822760
Sarrafzadeh, O., Dehnavi, A. M., Rabbani, H., Ghane, N. & Talebi, A. (2015). Circlet based framework for red blood cells segmentation and counting. 2015 IEEE Workshop on Signal Processing Systems (SiPS), 1–6. https://doi.org/10.1109/SiPS.2015.7344979
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
1. Los autores garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
2. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
3. Los autores han afirmado poseer todos los permisos para usar los recursos que utilizaron en el artículo (imágenes, tablas, entre otros) y asumen la responsabilidad total por daños a terceros.
4. Las opiniones expresadas en el artículo son responsabilidad de los autores y no necesariamente representan la opinión de los editores ni de la Universidad Nacional.
Revista Uniciencia y todas sus producciones se encuentran bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Unported.
No existe costo por acceso, revisión de propuestas ni publicación para autores y lectores.
