MÔ HÌNH HỌC SÂU VỚI SPARSE RCNN PHÁT HIỆN VÀ PHÂN LOẠI TẾ BÀO MÁU

Abstract

Nghiên cứu này đề xuất mô hình học sâu để phát hiện và phân loại tế bào máu như hồng cầu, bạch cầu và tiểu cầu dựa trên ảnh tế bào máu, sử dụng kiến trúc mạng SPARSE RCNN kết hợp các hàm mất mát GIOU, Focal và L1, nhằm hỗ trợ bác sỹ phát hiện sự phát triển bất thường của các loại tế bào máu, qua đó chẩn đoán sớm được các bệnh lý khác nhau như nhiễm trùng trong cơ thể, viêm họng, viêm phổi, viêm màng não và các bệnh lý khác. Ngoài ra, phát hiện sớm sự bất thường của các tế bào hồng cầu, bạch cầu và tiểu cầu có thể giúp bác sĩ đánh giá tổng thể về sức khỏe của bệnh nhân, chẳng hạn như mức độ thiếu máu hoặc bệnh lý liên quan đến hệ miễn dịch của cơ thể. Thực nghiệm được tiến hành dựa trên bộ dữ liệu Blood Cell Count and Detection - BCCD (COCO) lần lượt với các kiến trúc Single shot detector (SSD), SPARSE RCNN và kết hợp các hàm mất mát để giám sát, kết quả mô hình được xây dựng từ SPARSE RCNN đạt mAP là 0,591 tốt hơn mô hình SSD đạt mAP là 0,326 và các kết quả khác đã công bố.