Signal and Data Processing

fa شناسایی چندکلاسی سلول‌های ناهمگون خونی برمبنای الگوریتم شورایی و تجمیع توصیف‌گر بافت Identification, detection and classification and of multiclass heterogeneous blood cell series based on the council algorithm and aggregation of tissue descriptors مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;">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.</div>   <div style="text-align: justify;">Understanding the structural and morphological characteristics of blood cells plays a crucial role in the early diagnosis and treatment of hematological disorders. Manual inspection of blood smears under a microscope is still the standard approach in many laboratories; however, this process is subjective, time-consuming, and highly dependent on the expertise of the hematologist. To overcome these limitations, the present study introduces an intelligent hybrid framework for multiclass classification of heterogeneous blood cells based on the integration of deep learning and metaheuristic optimization techniques. In the proposed approach, the wavelet coefficients of microscopic images are first extracted to capture discriminative frequency-domain features. These coefficients are then fed into a YOLO-based convolutional neural network to detect candidate cell regions and identify spatial characteristics. A customized CNN architecture is subsequently employed for hierarchical feature learning, while a Golden Eagle Optimization (GEO) algorithm is utilized to perform feature selection and dimensionality reduction by eliminating redundant and less informative attributes. To achieve robust decision-making, three classical classifiers Decision Tree (DT), Naïve Bayes (NB), and K-Nearest Neighbors (KNN) are combined through a weighted voting ensemble strategy. The model was trained and validated on a dataset consisting of microscopic images of five major white blood cell types: lymphocytes, monocytes, eosinophils, basophils, and neutrophils. Quantitative evaluation was performed using precision, recall, F1-score, and accuracy metrics. Experimental results demonstrate that the proposed CNN GEO ensemble model achieves an overall accuracy of 95.7% and an average F1-score of 94.9%, outperforming comparable state-of-the-art methods such as CNN+SVM, PSO+KNN, and VGG-16 in both accuracy and computational efficiency. The findings highlight the capability of the proposed system to accurately distinguish among multiple blood cell categories, thereby providing a reliable and automated decision-support tool for early hematological diagnosis. Future work will focus on expanding the dataset and integrating domain adaptation mechanisms to further enhance cross-laboratory generalization.</div> رسته سلول‌های خونی, طبقه‌بندی, شبکه عصبی YOLO, بهینه‌سازی عقاب طلایی. blood cell type, classification, YOLO neural network, golden eagle optimization. 59 76 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2417-1&slc_lang=fa&sid=1 omid eslamifar امید اسلامی فر O.eslamifar@iau-saveh.ac.ir 100319475328460014068 100319475328460014068 No Ph.D. Candidate Department of Electrical Engineering, saveh Branch, Islamic Azad University, Saveh, Iran دانشجوی دکتری گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ساوه، ساوه، ایران Mohammadreza soltani محمدرضا سلطانی mrsoltani@iautiran.ac.ir 100319475328460014069 100319475328460014069 Yes Assistant Professor Department of Electrical Engineering Khomeinishahr Branch, Islamic Azad University, Isfahan , Iran استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد خمینی شهر، اصفهان، ایران seyed Mohamadjalal Rastegar Fatemi سید محمد جلال رستگار فاطمی Jalal.pe77@gmail.com 100319475328460014070 100319475328460014070 No Assistant Professor Department of Electrical Engineering, saveh Branch, Islamic Azad University, Saveh, Iran استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ساوه، ساوه، ایران