Complete Blood Cell Count and Classification of Leukemia Disease using Convolutional Neural Network

Abstract

말초 혈액 도말 검사는 백혈병, 빈혈 및 혈액 질환과 같은 다양한 질병을 조기 진단하는 데 사용됩니다. 적혈구 (RBC), 백혈구 (WBC) 및 혈소판을 포함하여 세 가지 주요 유형의 혈액 세포가 있습니다. 의학적으로, 완전한 혈구 수 (CBC)가 혈액 세포 이미지에서 이들 구성 요소의 수와 품질을 측정하기 위해 수행됩니다. 비정상적인 CBC 수치는 의학적 문제로 인한 것일 수 있습니다. CBC는 대개 현미경으로 엄격한 실험실 환경에서 전문가가 수동으로 실행합니다. 게다가, 전문가는 혈액 도말 심상에있는 많은 혈액 세포를 세어야하기 때문에 극단적 인 피로를 느낄지도 모른다. 따라서 컴퓨터 보조 시스템은 혈액 세포 수를 지원하는 데 필요한 요구 사항입니다. 한편, 이미지에서 백혈구 및 적혈구를 세분화하는 것은이 시스템에서 필수적인 단계입니다. 본 논문에서는 Convolutional Neural Network를 기반으로 한 심층 학습 Semantic Segmentation 기법을 적용하여 적혈구와 혈액 도말 영상에서의 백혈구를 세분화 하였다. 실험 결과에 따르면 모델의 전체적인 정확도는 세그먼트 화 단계에서 89.45 %를 나타냅니다. 제안 된 시스템의 실험 결과는 데이터 세트 1에서 계수하는 적혈구에 대해 93.3 %의 정확도와 데이터 세트 2에서 계수하는 백혈구에 대해 97.38 %의 정확도를 달성합니다. 이 논문의 범위에서는 급성 림프 구성 백혈병 (ALL)과 급성 골수성 백혈병 (AML)과 비 암성 환자를 포함한 두 가지 유형의 leukeumia를 분류하는 새로운 convolutional neural network (CNN)이 제안되었습니다. 제한된 데이터 세트를 확장하기 위해 이미지가 LeukemiaNet에 입력되기 전에 PCA 색 증대 프로세스가 사용됩니다. 이 방법은 ALL, AML 및 일반 셀 이미지를 구별하기 위해 제안 된 CNN 아키텍처의 정확도를 96.9 %에서 97.2 %로 향상시킵니다.

Peripheral blood smear image analysis is used to early diagnose various diseases such as leukemia, anemia, and disorders of blood. There are three main types of blood cells, including red blood cells (RBCs), white blood cells (WBCs), and platelets. Medically, a complete blood count (CBC) is conducted to measure the number and quality of these components in blood cells images. Any abnormal CBC values may be due to medical problems. A CBC is usually executed manually by a specialist in the strict laboratory environment under the microscope. Besides, the specialist may feel extreme fatigue as they have to count a large number of blood cells in a blood smear image. Hence, a computer-aided system is a necessary demand for supporting blood cell count. Meanwhile, segmentation of white blood cells and red blood cells in an image is an essential step in this system. In this thesis, deep learning semantic segmentation based on a convolutional neural network - cutting-edge technology is applied for segmentation red blood cells and white blood cells in blood smear images. The experiment result shows that the global accuracy of our model yielded 89.45% for segmentation phase. The experiment result of the proposed system achieves an accuracy of 93.3% for RBCs count in dataset 1, and 97.38% for WBCs count in dataset 2. In this thesis scope, a novel convolutional neural network (CNN), called LeukemiaNet is also proposed to classify two different types of leukeumia, including acute lymphoblastic leukemia (ALL) and acute myeloid leukemia (AML), and non-cancerous patients. To extend the limited dataset, a PCA color augmentation process is utilized before images are input into the LeukemiaNet. This augmentation method enhances the accuracy of our proposed CNN architecture from 96.9% to 97.2% for distinguishing ALL, AML, and normal cell images.