Tytuł pozycji:
Image classification of leukemia cancer using Wavelet deep neural network
Classification of blood cell images, through color and morphological features, is essential for medical diagnostic processes. This paper proposes an efficient method using LeGall5/3 wavelet transform (LeGall5/3WT) based on Convolutional Neural Network (CNN) for leukemia cancer image classification. The proposed algorithm is applied on 108leukemia images, including 49 blast cell images and 59 healthy cell images. All these images are obtained from the acute lymphoblastic leukemia image database for image processing (ALL-IDB). The data augmentation technique provided 7776 images, including3528 blast cell images and 4248 healthy cells. LeGall5/3WT feature extraction results are used as inputs to the CNN for leukemia cancer classification. The network system architecture contains three convolutions, three aggregate layers, a fully connected layer, a Soft Max layer, and an output layer with two classes. The proposed algorithm achieves accurate results (accuracy of 100%, sensitivity of 100%, specificity of 100%) for ALL-LDB1 database.
Klasyfikacja obrazów krwinek pod kątem cech kolorystycznych i morfologicznych jest niezbędna w procesach diagnostyki medycznej. W artykule zaproponowano wydajną metodę wykorzystującą transformatę falkową LeGall5/3 (LeGall5/3WT) opartą na konwolucyjnej sieci neuronowej (CNN) do klasyfikacji obrazów raka białaczki. Proponowany algorytm jest stosowany na 108 obrazach białaczki, w tym 49 obrazach komórek blastycznych i 59 obrazach zdrowych komórek. Wszystkie te obrazy uzyskano z bazy danych obrazów ostrej białaczki limfoblastycznej do przetwarzania obrazów (ALL-IDB). Technika powiększania danych dostarczyła 7776 obrazów, w tym 3528 obrazów komórek blastycznych i 4248 zdrowych komórek. Wyniki ekstrakcji cech LeGall5/3WT są wykorzystywane jako dane wejściowe do CNN w celu klasyfikacji raka białaczki. Architektura systemu sieciowego zawiera trzy sploty, trzy warstwy agregatów, warstwę w pełni połączoną, warstwę Soft Max i warstwę wyjściową z dwiema klasami. Zaproponowany algorytm pozwala uzyskać dokładne wyniki (dokładność 100%, czułość 100%, specyficzność 100%) dla bazy danych ALL-LDB1.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
