شناسايي چندكلاسي سلول‌هاي ناهمگون خوني برمبناي الگوريتم شورايي و تجميع توصيفگر بافت

Multiclass identification of heterogeneous blood cells based on the council algorithm and tissue descriptor aggregation

سلول هاي بيولوژيكي، واحدهاي حياتي سلولي تشكيل دهنده همه موجودات زنده هستند. بنابراين درك نحوه عملكرد و تمايز سلول ها از يكديگر براي تشخيص بيماري از اهميت بالايي برخوردار است. در طرح پيشنهادي جهت تشخيص رسته هاي مختلف خوني از تصاوير ميكروسكوپي جمع آوري شده با بهره گيري از ويژگي هاي تصاوير در حوزه فركانس و تبديل موجك استفاده شده است.ضرايب موجك تصوير به يك شبكه عصبي YOLO داده شده تا بين رسته هاي خوني تمايز قائل شود. در ادامه از شبكه عصبي كانولوشني جهت تعيين ويژگي هاي مكاني تصوير بهره گيري شده است. نوآوري ديگر، اعمال تئوري آشوب بر روي فيلترهاي وزني لايه كانولوشن جهت توليد ويژگي هاي مياني متنوع و متمايز است. در نهايت پس از عبور از لايه مياني و بر اساس نتايج پايش شده هشدارهايي به پزشك در خصوص احتمال بروز بيماري صادر مي شود.

Understanding the functioning of biological cells and the differentiation of cells from each other is of great importance for disease diagnosis and treatment. According to expert doctors, if we can reveal the abnormality in the first stages of the formation of changes in blood cells, we will be able to treat it early and prevent its complications. In the proposed scheme, the image wavelet coefficients are fed to a YOLO neural network to distinguish between different blood types. In the following, convolutional neural network, golden eagle optimization method (GEO) and KNN classifier are used to create a new classifier. In parallel, the power of 3 famous classifiers including Decision Tree (DT), Simple Bayesian (NB) and K Nearest Neighbor (KNN) is used as collaborative classifier. The simulation results indicate that the presented model has accurately predicted the type of blood cell based on the training given to the model.