Segmentação automatizada de leucócitos a partir de imagens hematológicas—um estudo utilizando vários esquemas de CNN

Resumo Imagens médicas desempenham um papel fundamental na triagem de doenças, e a avaliação automatizada dessas imagens é amplamente preferida em hospitais. Recentemente, a avaliação de dados médicos apoiada por Redes Neurais Convolucionais (CNN) tem sido amplamente adotada para inspecionar um conjunto de modalidades de imagem médica. A extração da seção de leucócitos a partir de uma imagem de esfregaço sanguíneo fino é um dos procedimentos essenciais durante o processo preliminar de triagem de doenças. A segmentação convencional requer procedimentos complexos/híbridos para extrair a seção necessária e os resultados alcançados com métodos convencionais muitas vezes apresentam resultados ruins. Portanto, esta pesquisa visa implementar o esquema de segmentação de imagem auxiliar por CNN para extrair a seção de leucócitos das imagens hematológicas escaladas em RGB. O trabalho proposto emprega vários esquemas de segmentação baseados em CNN, como SegNet, U-Net e VGG-UNet. Utilizamos as imagens do banco de dados de Imagens de Leucócitos para Segmentação e Classificação (LISC). Neste trabalho, cinco classes de leucócitos são consideradas, e cada esquema de segmentação de CNN é implementado e avaliado separadamente com a imagem de verdade de base. O resultado experimental do trabalho proposto confirma que os resultados gerais alcançados com o VGG-UNet são melhores (Índice de Jaccard = 91,5124%, Coeficiente de Dice = 94,4080% e Acurácia = 97,7316%) do que os esquemas SegNet e U-Net. Finalmente, o mérito do esquema proposto também é confirmado utilizando outros conjuntos de dados de imagem semelhantes, como o banco de dados de Contagem e Detecção de Células Sanguíneas (BCCD) e o ALL-IDB2. O resultado obtido confirma que o esquema proposto funciona bem em imagens hematológicas e oferece melhores valores de medida de desempenho.