**************************** نشریه علمی «پردازش علائم و دادهها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوریهای پیشرفته ****************************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 22، شماره 3 - ( 9-1404 )
جلد 22 شماره 3 صفحات 76-59 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
eslamifar O, soltani M, Rastegar Fatemi S M. Identification, detection and classification and of multiclass heterogeneous blood cell series based on the council algorithm and aggregation of tissue descriptors. JSDP 2025; 22 (3) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1393-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1393-fa.html
اسلامی فر امید، سلطانی محمدرضا، رستگار فاطمی سید محمد جلال. شناسایی چندکلاسی سلولهای ناهمگون خونی برمبنای الگوریتم شورایی و تجمیع توصیفگر بافت. پردازش علائم و دادهها. 1404; 22 (3) :59-76
استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد خمینی شهر، اصفهان، ایران
چکیده: (527 مشاهده)
درک نحوه عملکرد سلولهای بیولوژیکی و تمایز سلولها از یکدیگر برای تشخیص بیماری و درمان اهمیت بالایی دارد؛ از نظر پزشکان متخصص در صورت آشکارشدن وجود ناهنجاری در مراحل نخستین شکلگیری تغییرات در سلولهای خونی، امکان درمان زودهنگام و جلوگیری از بروز عوارض آن وجود خواهد داشت. در گام نخست طرح پیشنهادی، ضرایب موجک تصویر به یک شبکه عصبی YOLO داده میشود تا مکان برگزیده از تصویر بافت برای بیرونآوردن ویژگی انتخاب شود. در ادامه از شبکه عصبی کانولوشنی، روش بهینهسازی عقاب طلایی (GEO) و سه دستهبند معروف شامل درخت تصمیم (DT)، بیزین ساده (NB) و K نزدیکترین همسایه (KNN) بهصورت دستهبند مشارکتی استفاده میشود تا بین سلولهای خونی مختلف بر اساس مدلهای آموزشدیده تمایز داده شود. نتایج شبیهسازی حاکی از آن است که مدل ارائهشده با دقت مناسبی به پیشبینی نوع سلول خونی بر مبنای آموزش دادهشده به مدل پرداخته و توانسته است به دقت 95 درصد دست یابد.
شمارهی مقاله: 4
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1402/5/26 | پذیرش: 1404/5/19 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
دریافت: 1402/5/26 | پذیرش: 1404/5/19 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
فهرست منابع
1. C. Dorrell et al., "Human islets contain four distinct subtypes of β cells," Nature Communications, vol. 7, p. 11756, Jul. 2016. [DOI:10.1038/ncomms11756]
2. Y. Okada et al., "Identification of nine novel loci associated with white blood cell subtypes in a Japanese population," PLoS Genetics, vol. 7, no. 6, p. e1002067, Jun. 2011. [DOI:10.1371/journal.pgen.1002067]
3. G. Simionato et al., "Red blood cell phenotyping from 3D confocal images using artificial neural networks," PLoS Computational Biology, vol. 17, no. 5, p. e1008934, 2021. [DOI:10.1371/journal.pcbi.1008934]
4. H. Raji et al., "Biosensors and machine learning for enhanced detection, stratification, and classification of cells: A review," Biomedical Microdevices, vol. 24, no. 3, pp. 1-20, 2022. [DOI:10.1007/s10544-022-00627-x]
5. H. Ramoser, V. Laurain, H. Bischof, and R. Ecker, "Leukocyte segmentation and classification in blood-smear images," in Proc. 27th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc., 2005, pp. 3371-3374. [DOI:10.1109/IEMBS.2005.1617200]
6. H. T. Madhloom et al., "An automated white blood cell nucleus localization and segmentation using image arithmetic and automatic threshold," Journal of Applied Sciences, vol. 10, no. 11, pp. 959-966, Nov. 2010. [DOI:10.3923/jas.2010.959.966]
7. G. A. Challen, N. C. Boles, S. M. Chambers, and M. A. Goodell, "Distinct hematopoietic stem cell subtypes are differentially regulated by TGF-β1," Cell Stem Cell, vol. 6, no. 3, pp. 265-278, Mar. 2010. [DOI:10.1016/j.stem.2010.02.002]
8. M. J. Macawile et al., "White blood cell classification and counting using convolutional neural network," in Proc. 3rd Int. Conf. Control Robot. Eng. (ICCRE), Apr. 2018, pp. 259-263. [DOI:10.1109/ICCRE.2018.8376476]
9. A. Merino et al., "Optimizing morphology through blood cell image analysis," International Journal of Laboratory Hematology, vol. 40, pp. 54-61, May 2018. [DOI:10.1111/ijlh.12832]
10. M. S. Blumenreich, "The white blood cell and differential count," in Clinical Methods: The History, Physical, and Laboratory Examinations, 3rd ed., H. K. Walker, W. D. Hall, and J. W. Hurst, Eds., Boston: Butterworths, 1990.
11. I. Cseke, "A fast segmentation scheme for white blood cell images," in Proc. 11th IAPR Int. Conf. Pattern Recognit., 1992, vol. 3, pp. 530-533. [DOI:10.1109/ICPR.1992.202041]
12. H. Ramoser, V. Laurain, H. Bischof, and R. Ecker, "Leukocyte segmentation and classification in blood-smear images," in Proc. 27th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc., 2005, pp. 3371-3374. [DOI:10.1109/IEMBS.2005.1617200]
13. F. Long et al., "BloodCaps: A capsule network based model for the multiclassification of human peripheral blood cells," Computer Methods and Programs in Biomedicine, vol. 202, p. 105972, 2021. [DOI:10.1016/j.cmpb.2021.105972]
14. X. Yao, K. Sun, X. Bu, C. Zhao, and Y. Jin, "Classification of white blood cells using weighted optimized deformable convolutional neural networks," Artificial Cells, Nanomedicine, and Biotechnology, vol. 49, no. 1, pp. 147-155, 2021. [DOI:10.1080/21691401.2021.1879823]
15. R. Salehi et al., "Unsupervised cross-domain feature extraction for single blood cell image classification," arXiv preprint, arXiv:2207.00501, 2022. [DOI:10.1007/978-3-031-16437-8_71]
16. K. He, G. Gkioxari, P. Dollár, and R. Girshick, "Mask R-CNN," in Proc. IEEE Int. Conf. Comput. Vis., 2017, pp. 2961-2969. [DOI:10.1109/ICCV.2017.322]
17. Y. Wu and K. He, "Group normalization," in Proc. Eur. Conf. Comput. Vis. (ECCV), 2018, pp. 3-19. [DOI:10.1007/978-3-030-01261-8_1]
18. N. Chatap and S. Shibu, "Analysis of blood samples for counting leukemia cells using support vector machine and nearest neighbour," IOSR Journal of Computer Engineering (IOSR-JCE), vol. 16, no. 5, pp. 79-87, Sep. 2014. [DOI:10.9790/0661-16537987]
19. C. Zhang et al., "White blood cell segmentation by color-space-based k-means clustering," Sensors, vol. 14, no. 9, pp. 16128-16147, Sep. 2014. [DOI:10.3390/s140916128]
20. F. Kazemi, T. A. Najafabadi, and B. N. Araabi, "Automatic recognition of acute myelogenous leukemia in blood microscopic images using k-means clustering and support vector machine," Journal of Medical Signals and Sensors, vol. 6, no. 3, pp. 183-190, Jul.-Sep. 2016. [DOI:10.4103/2228-7477.186885]
21. R. Soltanzadeh and H. Rabbani, "Classification of three types of red blood cells in peripheral blood smear based on morphology," in Proc. 10th IEEE Int. Conf. Signal Process. (ICSP), Oct. 2010, pp. 707-710. [DOI:10.1109/ICOSP.2010.5655754]
22. R. M. Luque-Baena et al., "Application of genetic algorithms and constructive neural networks for the analysis of microarray cancer data," Theoretical Biology and Medical Modelling, vol. 11, no. S1, p. S7, May 2014. [DOI:10.1186/1742-4682-11-S1-S7]
23. کریمی، ع. و حسینی، ل. س.، «یک الگوریتم بهینه برای تقسیم تصاویر میکروسکوپی خون جهت تشخیص سلولهای لنفوبلاستیک حاد ریوی با استفاده از الگوریتم FCM و بهینهسازی ژنتیکی»، نشریة پردازش علائم و دادهها، جلد 15، شمارة 2، صص. 45-54، شهریور 1397.
23. A. Karimi and L. S. Hoseini, "An optimal algorithm for dividing microscopic images of blood for the diagnosis of acute pulmonary lymphoblastic cell using the FCM algorithm and genetic optimization," Signal and Data Processing, vol. 15, no. 2, pp. 45-54, Sep. 2018, doi:10.29252/jsdp.15.2.45. [DOI:10.29252/jsdp.15.2.45]
24. P. Tiwari, J. Qian, Q. Li, B. Wang, D. Gupta, A. Khanna, J. J. P. C. Rodrigues, and V. H. C. de Albuquerque, "Detection of subtype blood cells using deep learning," Cognitive Systems Research, vol. 52, pp. 1036-1044, 2018. [DOI:10.1016/j.cogsys.2018.08.022]
25. J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You only look once: Unified, real-time object detection," in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2016, pp. 779-788. [DOI:10.1109/CVPR.2016.91]
26. D. A. Tran, P. Fischer, A. Smajic, and Y. So, "Real-time object detection for autonomous driving using deep learning," Institute of Computer Science, Goethe University Frankfurt, 2021, Tech. Rep. 15.
27. A. Mohammadi-Balani, M. D. Nayeri, A. Azar, and M. Taghizadeh-Yazdi, "Golden eagle optimizer: A nature-inspired metaheuristic algorithm," Computers & Industrial Engineering, vol. 152, p. 107050, 2021. [DOI:10.1016/j.cie.2020.107050]
28. L. Rutkowski, M. Jaworski, L. Pietruczuk, and P. Duda, "The CART decision tree for mining data streams," Information Sciences, vol. 266, pp. 1-15, 2014. [DOI:10.1016/j.ins.2013.12.060]
29. H. Kutlu, E. Avci, and F. Özyurt, "White blood cells detection and classification based on regional convolutional neural networks," Medical Hypotheses, vol. 135, p. 109472, 2020. [DOI:10.1016/j.mehy.2019.109472]
30. S. Sharma et al., "[Retracted] Deep learning model for the automatic classification of white blood cells," Computational Intelligence and Neuroscience, vol. 2022, Article ID 7384131, 2022.
31. C. Cheuque, M. Querales, R. León, R. Salas, and R. Torres, "An efficient multi-level convolutional neural network approach for white blood cells classification," Diagnostics, vol. 12, no. 2, p. 248, 2022. [DOI:10.3390/diagnostics12020248]
32. R. Ahmad, M. Awais, N. Kausar, and T. Akram, "White blood cells classification using entropy-controlled deep features optimization," Diagnostics, vol. 13, no. 3, p. 352, 2023. [DOI:10.3390/diagnostics13030352]
33. T. H. Duc and P. V. Nguyen, "Lightweight deep learning framework for white blood cell classification on mobile devices," IEEE Access, vol. 13, pp. 15804-15817, 2025, doi: 10.1109/ACCESS.2025.3140010.
34. A. Ahmad and J. R. Cheuque, "Multi-feature fusion and ensemble learning for robust hematological image diagnosis," IEEE Access, vol. 13, pp. 11245-11260, 2025, doi: 10.1109/ACCESS.2025.3135033.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |