Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một thuật toán phân đoạn tế bào máu trắng mới dựa trên điểm tương đồng neutrosophic thích ứng
Tóm tắt
Tế bào máu trắng (WBCs) đóng vai trò quan trọng trong việc chẩn đoán nhiều bệnh dựa trên số lượng hoặc hình thái của chúng. Thiết bị công nghệ số gần đây đã tự động điều tra và phân tích hình ảnh tiêu bản máu. Các thuật toán phân đoạn tự động trước đây làm việc trên WBCs khỏe và không khỏe một cách riêng biệt. Ngoài ra, các thuật toán này đã sử dụng một số thành phần màu sắc nhất định, có thể thay đổi một cách thích ứng với các tập dữ liệu khác nhau. Trong bài báo này, một thuật toán phân đoạn mới cho WBCs trong hình ảnh tiêu bản máu được đề xuất sử dụng thước đo tương đồng đa quy mô dựa trên miền neutrosophic. Chúng tôi sử dụng điểm tương đồng neutrosophic để đo lường sự tương đồng giữa các thành phần màu sắc khác nhau của hình ảnh tiêu bản máu. Vì chúng tôi sử dụng các thành phần màu sắc khác nhau từ nhiều không gian màu khác nhau, chúng tôi đã điều chỉnh thuật toán điểm neutrosophic để có tính thích ứng. Hai khung phân đoạn khác nhau được đề xuất: một cho phân đoạn nhân tế bào và một cho tế bào chất của WBCs. Hơn nữa, thuật toán mà chúng tôi đề xuất được áp dụng cho cả WBCs khỏe mạnh và không khỏe mạnh. Trong một số trường hợp, một hình ảnh tiêu bản máu duy nhất chứa đựng WBCs khỏe mạnh và không khỏe mạnh, điều này đã được xem xét trong thuật toán của chúng tôi. Thuật toán phân đoạn của chúng tôi được thực hiện mà không cần bất kỳ phương pháp tăng cường nhị phân hình thái bên ngoài nào có thể ảnh hưởng đến hình dạng gốc của WBC. Nhiều tập dữ liệu công cộng khác nhau với độ phân giải khác nhau đã được sử dụng trong các thí nghiệm của chúng tôi. Chúng tôi đánh giá hiệu suất hệ thống dựa trên cả đo lường định tính và định lượng. Kết quả định lượng cho thấy tỷ lệ chính xác cao của đo lường hiệu suất phân đoạn A1 = 96,5% và A2 = 97,2% của phương pháp đề xuất. Kết quả hiệu suất phân đoạn trung bình cho các loại WBC khác nhau đạt tới 97,6%. Trong bài báo này, một phương pháp dựa trên điểm tương đồng tập neutrosophic thích ứng được đề xuất nhằm phát hiện WBCs từ hình ảnh tiêu bản máu vi mô và phân đoạn các thành phần của nó (nhân tế bào và tế bào chất). Thuật toán phân đoạn được đề xuất có thể được sử dụng cho các hệ thống phân loại hoàn toàn tự động, hệ thống này có thể hướng tới các WBCs khỏe mạnh hoặc thậm chí WBCs không khỏe mạnh, đặc biệt là các tế bào ung thư máu.
Từ khóa
Tài liệu tham khảo
Lichtman MA. Williams manual of hematology. New York: McGraw-Hill Higher Education; 2016.
Mohan H. Textbook of pathology. New Delhi: Jaypee Brothers; 2005.
Barbara BJ. Diagnosis from the blood smear. N Engl J Med. 2005;353(5):498–507.
Sadeghian F, Seman Z, Ramli AR, Abdul Kahar BH, Saripan M-I. A framework for white blood cell segmentation in microscopic blood images using digital image processing. Biol Proced Online. 2009;11:196–206. https://doi.org/10.1007/s12575-009-9011-2.
Mohammed EA, Mohamed MMA, Far BH, Naugler C. Peripheral blood smear image analysis: a comprehensive review. J Pathol Inf. 2014;5:9. https://doi.org/10.4103/2153-3539.129442.
Ghane N, Vard A, Talebi A, Nematollahy P. Segmentation of white blood cells from microscopic images using a novel combination of K-means clustering and modified watershed algorithm. J Med Signals Sens. 2017;7(2):92–101.
Prinyakupt J, Pluempitiwiriyawej C. Segmentation of white blood cells and comparison of cell morphology by linear and naïve Bayes classifiers. BioMed Eng Online. 2015;14:63. https://doi.org/10.1186/s12938-015-0037-1.
Ramesh N, Dangott B, Salama ME, Tasdizen T. Isolation and two-step classification of normal white blood cells in peripheral blood smears. J Pathol Inf. 2012;3(1):13.
Mohamed MMA, Far B. A fast technique for white blood cells nuclei automatic segmentation based on gram-schmidt orthogonalization. In Tools with Artificial Intelligence (ICTAI), 2012 IEEE 24th International Conference, 2012.
Huang DC, Hung KD, Chan YK. A computer assisted method for leukocyte nucleus segmentation and recognition in blood smear images. J Syst Softw. 2012;85(9):2104–18.
Mohammed EA, Mohamed MM, Naugler C, Far BH. Toward leveraging big value from data: chronic lymphocytic leukemia cell classification. Netw Model Anal Health Inf Bioinform. 2017;6(1):6.
Zhang C, Xiao X, Li X, Chen Y, Zhen W, Chang J, Zheng C, Liu Z. White blood cell segmentation by color-space-based K-means clustering. Sensors. 2014;14:16128–47.
Sarrafzadeh O, Dehnavi AM. Nucleus and cytoplasm segmentation in microscopic images using K-means clustering and region growing. Adv Biomed Res. 2015;4:174. https://doi.org/10.4103/2277-9175.163998.
Liu Z, Liu J, Xiao X, Yuan H, Li X, Chang J, Zheng C. Segmentation of white blood cells through nucleus mark watershed operations and mean shift clustering. Sensors. 2015;15:22561–86.
Alférez S, Merino A, Bigorra L, Mujica L, Ruiz M, Rodellar J. Automatic recognition of atypical lymphoid cells from peripheral blood by digital image analysis. Am J Clin Pathol. 2015;143(2):168–76.
Fatichah C, Purwitasari D, Hariadi V, Effendy F. Overlapping white blood cell segmentation and counting on microscopic blood cell images. Int J Smart Sens Intell Syst. 2014;7(3):71–86.
Mathur A, Tripathi AS, Kuse M. Scalable system for classification of white blood cells from Leishman stained blood stain images. J Pathol Inf. 2013;1:15.
Nazlibilek S, Karacor D, Ercan T, Sazli MH, Kalender O, Ege Y. Automatic segmentation, counting, size determination and classification of white blood cells. Measurement. 2014;55:58–65.
Mohammed EA, Far BH, Mohamed MMA, Naugler C. Automatic working area localization in blood smear microscopic images using machine learning algorithms. In IEEE International Conference on Bioinformatics and Biomedicine, Shanghai, 2013.
Jones KW. Evaluation of cell morphology and introduction to platelet and white blood cell morphology. Clin Hematol Fundam Hemost. 2009;93:116.
Smarandache F. Neutrosophic set, a generalization of the intuitionistic fuzzy sets. Int J Pure Appl Math. 2005;24:287–97.
Mohamed EA. New Approach for Enhancing Image Retrieval using Neutrosophic Sets. Int J Comput Appl. 2014;95(8):0975–8887.
Guo Y, Şengürb A. A novel image edge detection algorithm based on neutrosophic. Comput Electr Eng. 2014;40(8):3–25.
Yu B, Niu Z, Wang Z. Mean shift based clustering of neutrosophic domain for unsupervised constructions detection. Optik. 2013;124:4697–706.
Leng WY, Shamsuddin SM. Writer identification for Chinese handwriting. Int J Adv Soft Comput Appl. 2010;2(2):142–73.
Ye J. Multicriteria decision-making method using the correlation coefficient under single-valued neutrosophic environment. Int J Gen Syst. 2013;42(4):386–94. https://doi.org/10.1080/03081079.2012.761609.
Hanafy IM, Salama AA, Mahfouz K. Correlation of neutrosophic Data. Int Refereed J Eng Sci (IRJES). 2012;1(2):39–43.
Guo Y, Şengürb A, Yec J. A novel image thresholding algorithm based on neutrosophic similarity score. Measurement. 2014;58:175–86.
Guo Y, Şengürb A, Tian JW. A novel breast ultrasound image segmentation algorithm based on neutrosophic similarity score and level set. Comput Methods Programs Biomed. 2016;123:43–53. https://doi.org/10.1016/j.cmpb.2015.09.007.
Amin KM, Shahin A, Guo Y. A novel breast tumor classification algorithm using neutrosophic score features. Measurement. 2016;81:210–20.
Ghosh P, Bhattacharjee D, Nasipuri M. Blood smear analyzer for white blood cell counting: a hybrid microscopic image analyzing technique. Appl Soft Comput. 2016;46:629–38. https://doi.org/10.1016/j.asoc.2015.12.038.
Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 1979;9(1):62–6. https://doi.org/10.1109/tsmc.1979.4310076.
Mohamed M, Far B, Guaily A. An efficient technique for white blood cells nuclei automatic segmentation. In 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 220–225, 2012.
Mohamed, M, Far B. An enhanced threshold based technique for white blood cells nuclei automatic segmentation. In: e-Health Networking, Applications and Services (Healthcom), 2012 IEEE 14th International Conference; 2012. pp. 202–207. .
Amin MM, Kermani S, Talebi A, Oghli MG. Recognition of acute lymphoblastic leukemia cells in microscopic images using K-means clustering and support vector machine classifier. J Med Signals Sens. 2015;5(1):49.
Labati RD, Piuri V, Scotti F. All-IDB: The acute lymphoblastic leukemia image database for image processing. In: 2011 18th IEEE International Conference on Image Processing; 2011. https://doi.org/10.1109/icip.2011.6115881.
Putzu L, Di Ruberto C. White blood cells identification and counting from microscopic blood image. In: Proceedings of World Academy of Science, Engineering and Technology; 2013, 73:363.
Putzu L, Caocci G, Di Ruberto C. Leucocyte classification for leukaemia detection using image processing techniques. Artif Intell Med. 2014;62(3):179–91.
Siuly S, Kabir E, Wang H, Zhang Y. Detection of motor imagery EEG signals employing Naïve Bayes based learning process. Measurement. 2016;86:148–58.
Siuly S, Li Y. Discriminating the brain activities for brain–computer interface applications through the optimal allocation-based approach. Neural Comput Appl. 2015;26(4):799–811.
Rezatofighi SH, Soltanian-Zadeh H. Automatic recognition of five types of white blood cells in peripheral blood. Comput Med Imaging Graph. 2011;35(4):333–43.
Madhloom HT, Kareem SA, Ariffin H, Zaidan AA, Alanazi HO, Zaidan BB. An automated white blood cell nucleus localization and segmentation using image arithmetic and automatic threshold. J Appl Sci. 2010;10(11):959–66.
Rezatofighi SH, Soltanian-Zadeh H, Sharifian R, Zoroofi RA. A new approach to white blood cell nucleus segmentation based on gram-schmidt orthogonalization. In: International Conference on Digital Image Processing, 2009.