A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification

要約

急性リンパ芽球性白血病 (ALL) は、白血病の中で最も悪性度が高く、成人と小児に最も多く見られるがんです。
伝統的に、白血病は顕微鏡下で血液および骨髄塗抹標本を分析することによって診断され、確認のために追加の細胞化学検査が行われます。
ただし、これらの方法は高価で時間がかかり、専門知識に大きく依存します。
近年、深層学習、特に畳み込みニューラル ネットワーク (CNN) により、顕微鏡塗抹標本画像を分類するための高度な方法が提供され、白血病細胞の検出に役立ちます。
これらのアプローチは迅速で費用対効果が高く、人間の偏見の影響を受けません。
しかし、ほとんどの方法には不確実性を定量化する機能が欠けており、重大な誤診につながる可能性があります。
この研究では、ALL を分類するためにハイブリッド深層学習モデル (InceptionV3-GRU、EfficientNetB3-GRU、MobileNetV2-GRU) が実装されました。
ベイジアン最適化を使用してモデルのハイパーパラメーターを微調整し、パフォーマンスを向上させました。
さらに、白血病画像分類中の不確実性に対処するために、Deep Ensemble の不確実性の定量化が適用されました。
提案されたモデルは、公開されているデータセット ALL-IDB1 および ALL-IDB2 でトレーニングされました。
次に、結果は合計ルールを使用してスコア レベルで集計されました。
これらのモデルで使用されている並列アーキテクチャにより、ALL ケースと非 ALL ケースを区別する際に高い信頼性が得られます。
提案された方法は、ALL-IDB1 データセットで 100%、ALL-IDB2 データセットで 98.07%、結合データセットで 98.64% という驚くべき検出精度を達成し、正確で信頼性の高い白血病診断の可能性を実証しました。

要約(オリジナル)

Acute lymphoblastic leukemia (ALL) is the most malignant form of leukemia and the most common cancer in adults and children. Traditionally, leukemia is diagnosed by analyzing blood and bone marrow smears under a microscope, with additional cytochemical tests for confirmation. However, these methods are expensive, time consuming, and highly dependent on expert knowledge. In recent years, deep learning, particularly Convolutional Neural Networks (CNNs), has provided advanced methods for classifying microscopic smear images, aiding in the detection of leukemic cells. These approaches are quick, cost effective, and not subject to human bias. However, most methods lack the ability to quantify uncertainty, which could lead to critical misdiagnoses. In this research, hybrid deep learning models (InceptionV3-GRU, EfficientNetB3-GRU, MobileNetV2-GRU) were implemented to classify ALL. Bayesian optimization was used to fine tune the model’s hyperparameters and improve its performance. Additionally, Deep Ensemble uncertainty quantification was applied to address uncertainty during leukemia image classification. The proposed models were trained on the publicly available datasets ALL-IDB1 and ALL-IDB2. Their results were then aggregated at the score level using the sum rule. The parallel architecture used in these models offers a high level of confidence in differentiating between ALL and non-ALL cases. The proposed method achieved a remarkable detection accuracy rate of 100% on the ALL-IDB1 dataset, 98.07% on the ALL-IDB2 dataset, and 98.64% on the combined dataset, demonstrating its potential for accurate and reliable leukemia diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google