طبقه‌بندي تصاوير گلبول‌هاي سفيد خون به كمك شبكه‌هاي عصبي كانوولوشني عميق پيش‌تعليم‌يافته

White Blood Cell Image Classification by Pre-Trained Deep Convolutional Neural Networks

امروزه شبكه‌هاي عصبي كانوولوشني عميق(CNN) در پردازش و بازشناسي تصاوير پزشكي كاربرد گسترده‌اي پيدا كرده‌است. از آنجاكه معمولاً تعداد نمونه‌هاي مربوط به تصاوير پزشكي كم است، كاربرد CNNها در اين زمينه با مشكل مواجه مي‌شود. يكي از راهكارها به منظور حل اين مشكل، استفاده از روش‌هاي افزايش تعداد تصاوير است. راهكار ديگر، استفاده از شبكه‌هاي عصبي عميق كانوولوشني پيش‌تعليم يافته براساس مفهوم يادگيري انتقالي است. يادگيري انتقالي به معناي استفاده از يك مدل آموزش‌يافته در يك تكليف براي تكاليف جديد، با انتقال دانش موجود در شبكه مي‌باشد. در اين مقاله، از شبكه‌هاي عصبي عميق كانوولوشني به منظور تشخيص خودكار لوسمي لنفوبلاستيك حاد، كه يكي از بيماري‌هاي حياتي براي گلبول‌هاي سفيد خون است، استفاده مي‌شود. به اين منظور، ابتدا اثر روش‌هاي افزايش دادگان برروي نتايج طبقه‌بندي CNNها و تعليم آنها با شروع از مقادير تصادفي اوليه مورد بررسي قرار گرفت. سپس، دو ساختار شبكه عصبي عميق كانوولوشني پيش‌تعليم يافته الكس‌نت و گوگل‌نت جهت طبقه‌بندي تصاوير گلبول‌هاي سفيد مورد تنظيم دقيق قرار گرفتند. نتايح پياده‌سازي‌هاي انجام شده برروي دادگان ALLIDB نشان مي‌دهد كه مي‌توان با افزايش تعداد نمونه‌هاي تعليمي و استفاده از شبكه‌هاي پيش‌تعليم يافته، به درصد دقت طبقه‌بندي 31/92درصد دست يافت كه نشان‌دهنده تأثير به اشتراك گذاشته‌شدن اطلاعات و نياز به تعداد تصاوير كم به منظور تنظيم اين ساختارها است.

Nowadays, Deep Convolutional Neural Networks (CNN) have been implemented widely in medical image processing and recognition. As there is not enough training data in medical applications, deep neural network structures are not able to train well. One of the proposed solutions to get rid of this problem is data augmentation. Another solution is the application of pre-trained deep CNNs based on transfer learning concept. Transfer learning is the technique in which a model trained for a special task is used to learn another tasks by transferring its knowledge. In this article, deep CNNs are used for automatic acute lymphoblastic leukemia detection, a fatal disease of white blood cells. To this end, the effect of training CNN structures from scratch on augmented dataset is investigated. Then, two pre-trained deep CNNs: AlexNet as well as GoogleNet, are fine-tuned for classification of white blood cell images. Experimental results on ALLIDB (Acute Lymphoblastic Leukemia Image DataBase) verify that data augmentation achieves the detection accuracy of 90.38%, where implementation of pre-trained CNNs improve the results to 92.79%.