23711

BIOMED2 221

كارشناسي ارشد

مهندسي پزشكي - بيومتريال

فني و مهندسي

1403.04.16

121

محمدرضا يزدچي

هوش مصنوعي توضيح‌پذير و يادگيري انتقالي , لوسمي حاد لنفوئيدي‌ B , ميلومي متعدد , تصاوير ميكروسكوپي مغز استخوان

چكيده سرطان خون يك اختلال گلبول‌هاي سفيد است كه در آن تكثير گلبول‌هاي سفيد خون نابالغ به شيوه‌اي كنترل نشده افزايش‌يافته و جايگزين عناصر طبيعي خون‌ساز مغز استخوان مي‌شود. بعد از امراض قلبي عروقي دومين عوامل مرگ‌ومير هست. تشخيص سرطان به‌موقع و در مراحل اوليه موفقيت روند درمان را تا حد زيادي افزايش مي‌دهد. براي كاهش وابستگي به دانش متخصص، روش‌هاي خودكار براي تشخيص پيشنهاد مي‌شود كه توسط پردازش تصوير، يادگيري ماشين و يادگيري شبكه‌هاي عميق براي طبقه‌بندي، تشخيص و تقسيم‌بندي سلول‌هاي خون استفاده‌شده است. در اين پژوهش از شش مدل از قبل آموزش داده‌شده CNN استفاده‌شده براي آموزش داده به داده‌هاي آموزشي و آزمايشي به روش اعتبار سنجي متقابل K-fold انجام شد اما مدل‌هاي با صدها يا حتي ميليون‌ها پارامتر قابل تنظيم، فقط به‌عنوان مدل‌هاي جعبه سياه عمل مي‌كند. اين مطالعه براي جلوگيري از بيش برازش از حذف تصادفي و توقف زودهنگام و براي غلبه بر عدم اعتماد به عملكرد جعبه سياه‌ هوش مصنوعي توضيح‌پذير با استفاده از روش LIMEبراي توضيح محلي سلول‌ها كار گرفته شد. از پايگاه داده SN-AM و LISC شامل لوسمي حاد لنفوئيدي‌ B، ميلوم متعدد و سلول‌هاي سالم است، استفاده‌شده. مدل‌هاي Inceptionv3, ResNet101v2, VGG16 ,VGG19 ,Alex Net و InceptionRexnetv3 روي 243 تصوير مايكروسكوپي آموزش داده شدند. مدل‌هاي Inceptionv3 و ResNet101v2 به صحت 100 درصد درداده آموزشي دست‌يافت‌اند تابع خطابه ترتيب 0.0045 و 0.005 و امتياز F1 هر دو مدل به دست آمد. مدل VGG19 با صحت 73.07 درصد و خطا و امتياز F1 به ترتيب 0.45 و 0.69 دست‌يافت‌اند كه نسبت به ديگر مدل‌هاي كمترين صحت رادارند. ازآنجايي‌كه داده‌هاي براي آموزش كافي نبوده به‌منظور غلبه برداده محدود تصاوير ميكروسكوپي نمونه مغز استخوان افزايش داده توسط تنسورفولو و روش يادگيري انتقالي استفاده شدند.

B-Acute Lymphoid Leukemia. , multiple myeloma , microscopic images of bone marrow , explainable artificial intelligence and transfer learning

Development of XAI Models for Leukemia Classification from Bone Marrow Microscopic Images Using Transfer Learning

مهندسي پزشكي

Abstract Leukemia is a disorder of white blood cells in which the proliferation of immature white blood cells increases in an uncontrolled manner and replaces the normal hematopoietic elements of the bone marrow. It is the second leading cause of death after cardiovascular diseases. Timely diagnosis of cancer in the early stages greatly increases the success of the treatment process. To reduce the dependence on expert knowledge, automatic methods for detection are proposed, which have been used by image processing, machine learning and deep network learning to classify, recognize, and segment blood cells. In this research, six pre-trained CNN models were used to train the training and test data using the K-fold cress-validation method, but the models with hundreds or even millions of adjustable parameters only work as black box models. This study was used to avoid overfitting from dropout and early stopping and to overcome the lack of confidence in the black box performance of explainable artificial intelligence using the LIME method for local explanation of cells. SN-AM and LISC database including B-acute lymphoid leukemia, multiple myeloma and healthy cells were used. Inceptionv3, ResNet101v2, VGG16, VGG19, AlexNet and InceptionRexnetv3 models were trained on 243 microscopic images. Inceptionv3 and ResNet101v2 models achieved 100% accuracy in the training data, the loss function was 0.0045 and 0.005, respectively, and the F1 score of both models was obtained. VGG19 model with accuracy of 73.07% and loss and F1 score of 0.45 and 0.69, respectively, which have the lowest accuracy compared to other models. Since the data for training was not enough, in order to overcome the limited data, microscopic images of bone marrow samples were used to augment the data by TensorFlow and transfer learning method.

پنج فصل

34041