A Framework for Segmentation and Classification of Blood Cells Using Generative Adversarial Networks

Khan, Zakir; Shirazi, Syed Hamad; Shahzad, Muhammad; Munir, Arslan; Rasheed, Assad; Xie, Yong; Gul, Sarah

doi:10.1109/access.2024.3378575

Search citation statements

Order By: Relevance

Paper Sections

Select...

Citation Types

Supporting

Mentioning

Contrasting

Year Published

2024

Publication Types

Select...

Other2

Article1

Relationship

Self Cite0

Independent3

Authors

Journals

Cited by 3 publications

References 56 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

Experimental study and comparison of medical methodology and machine learning models to enhance algorithms for morphological classification of clinical and hematologic syndromes

Uvaliyeva,

Borozenets

2024

2024 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA)

View full text Add to dashboard Cite

Experimental study and comparison of medical methodology and machine learning models to enhance algorithms for morphological classification of clinical and hematologic syndromes

Uvaliyeva,

Borozenets

2024

2024 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA)

View full text Add to dashboard Cite

Convolutional Neural Network-Based Approach for Classification of Blood Cells in Leukaemia Detection

Singla

2024

2024 Second International Conference on Intelligent Cyber Physical Systems and Internet of Things (ICoICI)

View full text Add to dashboard Cite

Kan Hücreleri̇ni̇n Opti̇mum Odakli Görüntülenmesi̇ İçi̇n Deri̇n Öğrenme Tabanli Yaklaşimin Geli̇şti̇ri̇lmesi̇

Doğu,

Danaei,

Doğan

et al. 2024

Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Mikroskobik sistemlerde var olan odaklama derinliği sebebiyle kan hücreleri bulunan numuneler tamamıyla odaklı görüntülenememektedir. Bu durum yapay zeka ve görüntü işleme algoritmalarının performans kaybına sebep olabilmektedir. Bunu çözmek için odaklama derinliğinin artırılması yaklaşımları kullanılmakta ve numunenin optimum odaklı görüntüsü elde edilmektedir. Literatürde birçok odaklama derinliğinin artırılması yaklaşımı bulunmasına rağmen bu alanda hala yüksek çalışma süresi, kullanılan numuneye ve mikroskop çeşidine göre farklı performans gösterme gibi çeşitli eksiklikler mevcuttur. Bu çalışmada, literatürdeki bu eksiklikleri gidermek amacıyla mikroskobik sistemlerde kan hücrelerinin optimum odaklı görüntülenmesi için hem yeni veri seti oluşturulmakta hem de derin öğrenme tabanlı yeni bir odaklama derinliği artırılması yaklaşımı önerilmektedir. Çalışmanın performansını değerlendirmek için Algı Tabanlı Görüntü Kalitesi, Referanssız Görüntü Uzamsal Kalite, Bulanıklık ve Doğallık Görüntü Kalitesi olmak üzere dört farklı kriter kullanılmaktadır. Geliştirilen çalışmada 13 farklı odaklama derinliğinin artırılması yaklaşımı test edilmektedir. Bu çalışmada performans değerlendirme kriterleri sonuçları ile kan hücrelerinin optimum odaklı görüntülenmesi için önerilen derin öğrenme tabanlı odaklama derinliğinin artırılması yaklaşımının diğer yaklaşımlara göre daha performanslı olduğu ispatlanmaktadır.

show abstract

A Framework for Segmentation and Classification of Blood Cells Using Generative Adversarial Networks

Cited by 3 publications

References 56 publications

Experimental study and comparison of medical methodology and machine learning models to enhance algorithms for morphological classification of clinical and hematologic syndromes

Experimental study and comparison of medical methodology and machine learning models to enhance algorithms for morphological classification of clinical and hematologic syndromes

Convolutional Neural Network-Based Approach for Classification of Blood Cells in Leukaemia Detection

Kan Hücreleri̇ni̇n Opti̇mum Odakli Görüntülenmesi̇ İçi̇n Deri̇n Öğrenme Tabanli Yaklaşimin Geli̇şti̇ri̇lmesi̇

Contact Info

Product

Resources

About