Un réseau de neurones convolutionnel et YOLO pour la détection et la classification des leucocytes dans la leucémie

Le développement de systèmes d'apprentissage profond utilisés pour le diagnostic des maladies chroniques est un défi. De plus, la localisation et l'identification d'objets tels que les globules blancs (GB) dans la leucémie sans prétraitement ni segmentation manuelle traditionnelle des cellules est une question difficile en raison de la forme irrégulière et déformée du noyau. Cet article propose un système de détection assistée par ordinateur entièrement basé sur l'apprentissage profond avec trois modèles de détection assistée par ordinateur (CAD3) pour détecter et classer trois types de GB, qui sont fondamentaux pour le diagnostic de la leucémie. Le système utilise un algorithme YOLO v2 modifié et un réseau de neurones convolutionnel (CNN). Le système proposé a été formé et évalué sur un ensemble de données créé et préparé spécialement pour le problème abordé, sans aucune segmentation traditionnelle ni prétraitement sur les images microscopiques. L'étude a prouvé que la division du problème en sous-problèmes permet d'obtenir de meilleures performances et une plus grande précision. De plus, les résultats montrent que le CAD3 a atteint une précision moyenne (AP) allant jusqu'à 96 % dans la détection des leucocytes et une précision de 94,3 % dans la classification des leucocytes. En outre, le CAD3 fournit un rapport contenant des informations complètes sur les GB. Enfin, le CAD3 a prouvé son efficacité sur d'autres ensembles de données, tels que la base de données d'images de leucémie lymphoblastique aiguë (ALL-IBD1) et l'ensemble de données de numération des cellules sanguines (BCCD).