迁移学习与 EfficientNet 用于准确的白血病细胞分类.pdfVIP

Highlights

迁移学习与EfficientNet用于准确的白血病细胞分类

FaisalAhmed

•一种基于迁移学习的方法被提出用于分类

外周血涂片图像中的急性淋巴细胞白血病

（ALL）。

•平衡训练数据通过广泛的数据增强实现，包

括旋转、镜像、噪声注入和模糊。

•多个预训练的CNN架构评估，EfficientNet-

本B3达到最高的F1分数为94.30%。

译•在C-NMC挑战数据集上优于之前发表的深

中度学习方法。

1

v•在血液恶性肿瘤检测任务中展示了现代迁移

5学习框架的有效性。

3

5

6

0

.

8

0

5

2

:

v

i

x

r

a

迁移学习与EfficientNet用于准确的白血病细胞分类

FaisalAhmeda,

aDepartmentofDataScienceandMathematics,Embry-RiddleAeronauticalUniversity,3700WillowCreekRd,Prescott,Arizona

86301,USA

Abstract

急性淋巴细胞白血病（ALL）的外周血涂片图像准确分类对于早期诊断和有效的治疗计划至关重要。

本研究探讨了使用预训练卷积神经网络（CNN）进行迁移学习以提高诊断性能的应用。为了处理包含

3,631张血液学图像和7,644张ALL图像的数据集中的类别不平衡问题，我们应用了大量的数据增强

技术来创建每个类别的平衡训练集，每类含有10,000张图像。我们评估了几种模型，包括ResNet50、

ResNet101以及EfficientNet变体B0、B1和B3。EfficientNet-B3取得了最佳结果，其F1得分为94.30%，

准确率为92.02%，AUC为94.79%，超越了C-NMC挑战赛中之前报告的方法。这些发现证明了结合

数据增强与高级迁移学习模型（特别是EfficientNet-B3）在开发用于血液恶性肿瘤检测的精确和鲁棒

诊断工具方面的有效性。

Keywords:迁移学习,效率网络,急性淋巴细胞白血病,血涂片分类,深度学习

1.介绍若干研究将迁移学习应用于白细胞分类任

务，使用了如VGG16、ResNet和MobileNet[5,

急性淋巴细胞白血病（ALL）是一种高度恶

6,7,8]的架构。虽然这些方法取得了有希望的

性的血液癌症，也是儿童中最常见的白血病类型。

结果，但由于数据集不平衡和有限的数据增强策

早期诊断对于启动有效的治疗和改善患者预后至

略，它们通常会受到泛化能力不佳的影响。此外，

关重要。传统上，ALL的诊断依赖于专家血液学

在这种情况下尚未充分探索像EfficientNet这样

家和病理学家对外周血涂片图像的手动检查。这

的新架构，其能够更有效地扩展深度、宽度和分

一过程劳动密集、耗时且存在观察者间变异，使

辨率。

其不适合大规模筛查[1,2]。

在本研究中，我们探讨了使用现代迁移学习