V. Kết quả dự kiến
2.4.4 Kết quả thử nghiệm về phát hiện WBCs
Đề xuất phương pháp đầu tiên phát hiện WBCs dựa trên một mối quan hệ đơn giản của màu sắc R và B và hoạt động hình thái học, sau đĩ là tính năng PRICoLBP được trích xuất và SVM được áp dụng để phân biệt bạch cầu ái toan và bạch cầu ưa bazơ từ ba loại bạch cầu khác. Trong khi đối với ba loại WBCs bên trái: neutro-phil, monocyte và lymphocyte, CNN được sử dụng để trích xuất đối tượng địa lý ở cấp độ cao và một khu rừng ngẫu nhiên được áp dụng để phân biệt chúng. Nĩi một cách dễ hiểu, thiết kế của phương pháp của chúng tơi dựa trên thơng tin thiết yếu của hình ảnh máu ngoại vi và cấu trúc của WBCs. Và hơn nữa, một số phương pháp hiệu quả được giới thiệu để cải thiện độ chính xác của phân loại.
Thử nghiệm trên cơ sở dữ liệu Cellavison, cơ sở dữ liệu ALL-IDB và cơ sở dữ liệu Jiashan cho thấy rằng phương pháp đề xuất cĩ phát hiện và phân loại tốt hơn một số phương pháp khác với thời gian ít chi phí hơn.
Như mong đợi, độ chính xác của basophil và eosinophil với phương pháp này lần lượt là 10 và 70%, cao hơn khác xa so với kết quả đối với phương pháp Seyed và phương pháp HSVM. Lý do là các tác giả thiết kế các tính năng tốt hơn cho eosinophil và basophil so với phương pháp Seyed và phương pháp HSVM. Hơn nữa, đối với ba loại WBCs bên trái: lymphocyte, monocyte và neutrophil, áp dụng CNN để khám phá các đặc điểm ở mức độ cao nhằm thực thi sự phân biệt của ba loại WBCs này. Và một bộ phân loại hiệu quả: Rừng ngẫu nhiên được áp dụng để phân loại các đối tượng địa lý đã khai thác. Vài các nghiên cứu đã chỉ ra rằng việc kết hợp nhiều phân loại yếu đầu tiên vào một bộ phân loại tổng hợp cĩ thể dẫn đến hiệu suất sàng lọc hơn bất kỳ cá nhân yếu kém nào, rừng ngẫu nhiên cho thấy một sự phân loại hiệu quả.
42 Độ chính xác của bạch cầu đơn nhân và bạch cầu trung tính với phương pháp này lần lượt là 85,3% và 97,1% cao hơn nhiều so với kết quả cho phương pháp Seyed và phương pháp làm HSVM. Tất nhiên, phương pháp phân loại này cũng khơng hồn hảo. Phân loại tế bào lympho là 74,7%, ít hơn hơn 85% của phương pháp Seyed. Lý do là số hình ảnh tế bào lympho để đào tạo CNN thì ít hơn, trong khi CNN thực hiện tốt cơng việc cho dữ liệu lớn [12].