Der Artikel stellt einen neuen großen Datensatz von Bildern roter Blutkörperchen (RBC) vor und präsentiert ein zweistufiges Deep-Learning-Modell für die Segmentierung und Klassifizierung von RBC-Bildern. Der Datensatz enthält mehr als 100.000 RBC-Bilder in acht verschiedenen Klassen und wurde von zwei Hämatopatologen unabhängig annotiert. Für die Segmentierung wurde ein U-Net-Modell verwendet, das eine IoU von 98,03% erreichte. Für die Klassifizierung wurde ein EfficientNetB0-Modell mit einem 5x2-Kreuzvalidierungsschema trainiert und erreichte eine durchschnittliche Klassifikationsgenauigkeit von 96,5%. Das Modell wurde mit mehreren anderen CNN-Architekturen verglichen und zeigte eine gute Balance zwischen Leistung und Rechenaufwand.
다른 언어로
소스 콘텐츠 기반
arxiv.org
핵심 통찰 요약
by Mohamed Elma... 게시일 arxiv.org 03-28-2024
https://arxiv.org/pdf/2403.18468.pdf더 깊은 질문