Medical & Biological Engineering & Computing ( IF 2.6 ) Pub Date : 2022-04-29 , DOI: 10.1007/s11517-022-02575-3 Tsung-Chen Kuo , Ting-Wei Cheng , Ching-Kai Lin , Ming-Che Chang , Kuang-Yao Cheng , Yun-Chien Cheng
|
该研究使用基于 DeepLab v3 + 的语义分割来自动评估血小板激活过程并从扫描电子显微镜 (SEM) 图像中计算血小板数量。目前激活的血小板识别和计数方法包括 (a) 使用光学显微镜或 SEM 图像来识别和手动计数不同阶段的血小板，或 (b) 使用流式细胞仪自动识别和计数血小板。然而，前者费时费力，而后者由于活化过程中血小板转化的复杂形态而无法采用。此外，由于血小板的转化非常复杂，目前的血细胞图像分析方法，如逻辑回归或卷积神经网络，无法准确识别转化的血小板。所以，本研究使用 DeepLab v3 +，一种用于图像分析语义分割的强大学习模型，从 SEM 图像中自动识别和计数不同激活阶段的血小板。添加了可变形卷积、预训练模型和深度监督，以获得额外的血小板转换特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。用于图像分析语义分割的强大学习模型，可从 SEM 图像中自动识别和计数不同激活阶段的血小板。添加了可变形卷积、预训练模型和深度监督，以获得额外的血小板转换特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。用于图像分析语义分割的强大学习模型，可从 SEM 图像中自动识别和计数不同激活阶段的血小板。添加了可变形卷积、预训练模型和深度监督，以获得额外的血小板转换特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。从 SEM 图像中自动识别和计数不同激活阶段的血小板。添加了可变形卷积、预训练模型和深度监督，以获得额外的血小板转换特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。从 SEM 图像中自动识别和计数不同激活阶段的血小板。添加了可变形卷积、预训练模型和深度监督，以获得额外的血小板转换特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。并添加了深度监督以获得额外的血小板转化特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。并添加了深度监督以获得额外的血小板转化特征和更高的准确性。通过将分割预测的血小板面积除以平均血小板面积来预测活化血小板的数量。结果表明，该模型对扫描电镜图像不同阶段的活化血小板进行计数，误差率在20%以内。第 2 阶段和第 4 阶段的错误率约为 10%。因此，所提出的方法可以节省评估血小板活化的人力和时间，并促进相关研究。
图形概要
"点击查看英文标题和摘要"
京公网安备 11010802027423号