Созоник Е.С.
ИССЛЕДОВАНИЕ ПРОВЕДЕНИЯ ЛАБОРАТОРНОГО АНАЛИЗА КРОВИ НА СОДЕРЖАНИЕ ЛЕЙКОЦИТОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ И СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ *
Аннотация:
данная работа посвящена исследованию применения нейронных сетей для обнаружения и подсчет лейкоцитов в анализах крови. В XXI веке невозможно найти сферу, в которой не применяется компьютерное зрение или нейросеть. Медицина считается одной из самых важных областей, в которой необходима точность и скорость. Развитие большинства болезней возможно предотвратить на этапе обследования. Лейкоциты играют ключевую роль в наблюдении за состоянием организма. Заключение, связанное с заболеваниями крови, включает в себя идентификацию и определение характеристик образца крови. Общие подходы, такие как традиционный ручной подсчет и автоматические анализаторы, в значительной степени зависели от работы медицинских работников. В последние годы всё чаще успешно применяется компьютерное зрение с помощью алгоритмов глубокого обучения во многих визуальных задачах. В данной работе предлагается использовать технологию на основе глубокой нейронной сети для точного обнаружения и подсчета клеток крови на изображениях мазков крови.
Ключевые слова:
обнаружение лейкоцитов в крови, сверточная нейронная сеть, компьютерное зрение, обработка изображений
ВВЕДЕНИЕ. Лабораторный анализ крови является важным инструментом для диагностики, мониторинга и оценки здоровья пациентов.Существует три типа клеток крови - эритроциты, лейкоциты и тромбоциты. Красные кровяные тельца являются основным носителем кислорода, белые кровяные тельца являются частью системы иммунитета, противостоящей заболеваниям, а тромбоциты отвечают за свертывание крови. Анализ крови стал прямым каналом для определения состояния здоровья и диагностики заболеваний. Полный подсчет клеток крови является одним из классических анализов крови, который определяет и подсчитывает основные клетки крови для изучения, отслеживания и управления изменениями в крови. Традиционно подсчет клеток выполняется с помощью проточных цитометров или медицинских работников для получения надежных результатов анализа. Однако человеческий фактор играет одну из важнейших ролей в любой работе, что может повлиять на качество проделанной работы, а в будущем подвергнуть риску жизни людей. Потеря бдительности, концентрации и внимания может привести к опасным последствиям.Автоматизация позволяет осуществлять технологические процессы без непосредственного участия человека. Программные решения с использованием компьютерного зрения направлены на повышение безопасности и комфорта за счет автоматизации. Поэтому актуальность распознавания и подсчет лейкоцитов в крови обусловлена повышением уровня точности обследования.ОСНОВНАЯ ЧАСТЬ. Проблемы и преимущества применения. За последние годы области применения компьютерного зрения стремительно набирают обороты, затрагивая всё большее количество разнообразных сфер жизни человека. Несмотря на то, что создание первой нейронной сети состоялось в 60-ые годы прошлого века, технология продолжает развиваться до сих пор, и человеку удается каждый раз находить более быстрые и точные решения в неожиданных сферах применения. Одним из основных применений нейросетевых технологий в медицинской диагностике является классификация образов, включая изображения клеток крови.Ученые начали использовать автоматические анализаторы в начале прошлого века. С развитием вычислительных возможностей многие исследователи применяют методы обработки изображений и статистические модели или модели глубокого обучения для повышения точности подсчета клеток на изображениях мазков крови.Однако исходные изображения мазков крови часто имеют низкое разрешение и размыты, что затрудняет точную идентификацию клеток. Кроме того, клетки крови иногда перекрываются.Рис. 1. Пример окрашенного мазка крови.Поэтому следует обратить больше внимания на качество данных для обучения. Перед введением технологии в диагностическую практику важно провести эксперименты и проверки работы нейронной сети. Преимущества использования нейросетевых технологий в анализе содержания лейкоцитов состоят из:повышение точности анализа за счет нахождения сложных случаев,автоматизация процесса анализа содержания лейкоцитов, что может сэкономить ресурсы медицинского персонала,увеличение количества обследуемых пациентов в более короткий срок.Принцип проведения лабораторного анализа крови на содержание лейкоцитов. Процесс разработки технологии для распознавания лейкоцитов в анализах крови состоит из нескольких этапов, которые описаны ниже.Сбор образцов крови: Исследование начинается со сбора образцов крови у пациентов. Для этого могут использоваться стандартные процедуры забора крови. Подготовка данных: Полученные образцы крови проходят лабораторную обработку, включающую разделение плазмы и клеточных компонентов. Для дальнейшего анализа необходимо получить изображения лейкоцитов. Это может быть достигнуто с помощью микроскопии и цифровой фотографии. Изображения должны быть высокого качества и иметь достаточное разрешение для точного анализа.Создание обучающей выборки: Для обучения нейросетевых моделей требуется обучающая выборка, состоящая из размеченных изображений лейкоцитов. Эта выборка должна содержать разнообразные образцы лейкоцитов разных типов и состояний, чтобы модель могла научиться классифицировать их с высокой точностью.Обучение нейросетевых моделей: Модели обучаются на обучающей выборке с использованием методов глубокого обучения, их архитектура и параметры оптимизируются для достижения наилучших результатов.Изучение разработанных методов, основанных на обработке изображений. Большинство методов, основанных лишь на обработке изображений не смогли достичь хороших показателей. Но было выявлено несколько случаев с высокими показателями.В 2010 году группа ученых использовала комбинацию нескольких методов обработки изображений для отделения ядра от клеток. Во-первых, они преобразовали изображения в градации серого и удалили самую темную часть. Затем они использовали автоматическое растяжение контраста, выравнивание гистограммы и арифметику изображения для локализации ядра и применили автоматический глобальный порог для проведения сегментации. После прохождения через минимальный фильтр и автоматический порог ядра идентифицировались с типами лейкоцитов. В итоге предложенная модель достигла точности от 85 до 98%.Еще одно исследование по автоматическому распознаванию лейкоцитов было предложено в 2011 году. Они использовали метод Грама-Шмидта для сегментации ядер в начале, а затем выделили базофилы. Для разделения цитоплазмы использовался алгоритм Снейка. Цветные, морфологические и текстурные признаки были извлечены. Результат сегментации составил 93%, а точность классификации - 90% и 96% соответственно.В дополнении, в 2018 году был предложен метод обработки изображений для подсчета и идентификации клеток крови. Ученые применили алгоритм кластеризации, маркировки и кругового преобразования Хафа. Было проведено сравнение, и результаты показали, что круговое преобразование Хафа превзошло алгоритм подсчета и алгоритм маркировки.К сожалению, данные методы не отличаются высокой скоростью работы и качественными результатами в более сложных случаях.Изучение применения трансфертного обучения. Трансферное обучение - это метод, основанный на использовании ранее изученной модели для новой задачи. В компьютерном зрении трансферное обучение может улучшить показатели прогнозирования, на основе смежных задач. Благодаря этим возможностям и способности обучать глубокую сеть с небольшим количеством входных данных данная технология становится актуальной.Рис. 2. Принцип сверточной нейроннной сети.Трансферное обучение работает только в том случае, если навыки, приобретенные в первом задании, являются общими. Кроме того, входные данные для модели должны быть того же размера, что и при первом обучении. В этом случае мы должны выполнить операцию изменения размера перед подачей в сеть.DenseNet – это сеть, которая содержит прямые связи между любыми двумя слоями, имеющими тот же размер, что и карты признаков. Данная сеть уменьшает проблему исчезающего градиента, усиливает распространение признаков, способствует повторному использованию признаков и значительно уменьшает количество параметров.ResNet – это сеть, которая демонстрирует использование остаточных модулей, чтобы показать, что стандартный стохастический градиентный спуск и справедливая функция инициализации могут быть использованы для обучения глубоких сетей.AlexNet – это архитектура, которая построена на восьми слоях, где первые пять используются для свертки, а остальные - полностью связанные слои с функцией softmax в последнем слое.Результаты и обсуждения. После проведения исследования использования нейросетевых технологий и систем распознавания образов для анализа содержания лейкоцитов в лабораторном анализе крови, были получены следующие результаты:Точность и эффективность: Сравнение полученных результатов с традиционными методами анализа крови показало, что использование нейросетевых технологий и систем распознавания образов может значительно улучшить точность и эффективность анализа. Нейросетевые модели показали высокую способность классифицировать различные типы лейкоцитов и обнаруживать аномалии с высокой точностью. Системы распознавания образов позволили автоматически выделять и сегментировать лейкоциты на изображениях крови, что упростило и ускорило процесс анализа.Ограничения и перспективы: Несмотря на значительные преимущества, использование нейросетевых технологий и систем распознавания образов в анализе содержания лейкоцитов также имеет свои ограничения. Важно учитывать, что успешная реализация и применение этих технологий требует наличия достаточного объема размеченных данных для обучения моделей, а также высококачественных изображений для точной сегментации лейкоцитов. Кроме того, необходимо проводить дополнительные исследования и валидацию результатов на больших выборках пациентов, чтобы удостовериться в надежности и применимости этих технологий в клинической практике.Дальнейшее развитие исследований: Для дальнейшего развития исследований в данной области рекомендуется проведение более обширных исследований с участием различных пациентов и с учетом разнообразных факторов, таких как возраст, пол и состояние здоровья. Также важно продолжать улучшать алгоритмы и архитектуры нейросетевых моделей, чтобы достичь еще более высокой точности и надежности анализа. ЗАКЛЮЧЕНИЕ. Исследование проведения лабораторного анализа крови на содержание лейкоцитов с использованием нейросетевых технологий и систем распознавания образов представляет собой перспективное направление в медицинской диагностике. Автоматизация процесса анализа и использование современных технологий позволяют улучшить точность, скорость и надежность диагностики, а также сократить влияние человеческого фактора на результаты. Будущее данной области исследований связано с постоянным развитием нейросетевых моделей и систем распознавания образов, а также их интеграцией в клиническую практику для повышения качества здравоохранения и улучшения заботы о пациентах.
Номер журнала Вестник науки №4 (73) том 4
Ссылка для цитирования:
Созоник Е.С. ИССЛЕДОВАНИЕ ПРОВЕДЕНИЯ ЛАБОРАТОРНОГО АНАЛИЗА КРОВИ НА СОДЕРЖАНИЕ ЛЕЙКОЦИТОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ И СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ // Вестник науки №4 (73) том 4. С. 655 - 663. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/14134 (дата обращения: 23.06.2025 г.)
Вестник науки © 2024. 16+