Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 3

Image Classification of Leukemia Cancer Using Wavelet Deep Neural Network

Klasyfikacja obrazu raka białaczki za pomocą głębokiej sieci neuronowej Wavelet

10.15199/48.2024.03.42

nr katalogowy: 147764
10.15199/48.2024.03.42

Streszczenie

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.

Abstract

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.

Słowa kluczowe

Keywords

Bibliografia

[1] The Global Cancer Observatory, Available online: https://gco.iarc.fr/, accessed: 2023-0303.
[2] Z. Gao, A. Mao, K. Wu, Y. Li, L. Zhao, X. Zhang, J. Wu, L. Yu, C. Xing, T. Gong et al., “Childhood leukemia classification via information bottle-neck enhanced hierarchical multi-instance learning,” IEEE Transactions on Medical Imaging, 2023.
[3] N. Bibi, M. Sikandar, I. Ud Din, A. Almogren, and S. Ali, “Iomtbasedautomated detection and classification of leukemia using deep learning,”Journal of healthcare engineering, vol. 2020, pp. 1–12, 2020.
[4] G. R. Spinner, C. Federau, and S. Kozerke, “Bayesian inference using hierar-chical and spatial priors for intravoxel incoherent motion mr imaging in the brain: Analysis of cancer and acute stroke,” Medical image analysis, vol. 73,p. 102144, 2021.
[5] A. Bodzas, P. Kodytek, and J. Zidek, “Automated detection of acute lymphoblastic leukemia from microscopic images based on human visual perception,” Frontiers in Bioengineering and Biotechnology, vol. 8, p. 1005, 2020.
[6] J.-N. Eckardt, M. Bornh ̈auser, K. Wendt, and J. M. Middeke, “Applicationof machine learning in the management of acute myeloid leukemia: current practice and future prospects,” Blood Advances, vol. 4, no. 23, pp. 6077–6085, 2020.
[7] N. Ouyang, W. Wang, L. Ma, Y. Wang, Q. Chen, S. Yang, J. Xie, S. Su,Y. Cheng, Q. Cheng et al., “Diagnosing acute promyelocytic leukemia byusing convolutional neural network,” Clinica Chimica Acta, vol. 512, pp.1–6, 2021.
[8] N. Ahmed, A. Yigit, Z. Isik, and A. Alpkocak, “Identification of leukemiasubtypes from microscopic images using convolutional neural network,” Diagnostics, vol. 9, no. 3, p. 104, 2019.
[9] R. M. Roy and P. Ameer, “Segmentation of leukocyte by semantic segmen-tation model: A deep learning approach,” Biomedical Signal Processing andControl, vol. 65, p. 102385, 2021.
[10] R. Khandekar, P. Shastry, S. Jaishankar, O. Faust, and N. Sampathila,“Automated blast cell detection for acute lymphoblastic leukemia diagnosis,”Biomedical Signal Processing and Control, vol. 68, p. 102690, 2021.
[11] S. Patil, G. Naik, R. Pai, and R. Gad, “Stacked autoencoder for classificationof glioma grade iii and grade iv,” Biomedical Signal Processing and Control,vol. 46, pp. 67–75, 2018.
[12] G. Liang, H. Hong, W. Xie, and L. Zheng, “Combining convolutional neuralnetwork with recursive neural network for blood cell image classification,”IEEE access, vol. 6, pp. 36 188–36 197, 2018.
[13] S. Shah, W. Nawaz, B. Jalil, and H. A. Khan, “Classification of normal andleukemic blast cells in b-all cancer using a combination of convolutional and recurrent neural networks,” in ISBI 2019 C-NMC Challenge: Classificationin Cancer Cell Imaging: Select Proceedings. Springer, 2019, pp. 23–31.
[14] M. Hess, S. Lenz, T. J. Bl ̈atte, L. Bullinger, and H. Binder, “Partitionedlearning of deep boltzmann machines for snp data,” Bioinformatics, vol. 33,no. 20, pp. 3173–3180, 2017.
[15] M. Tuba and E. Tuba, “Generative adversarial optimization (goa) foracute lymphocytic leukemia detection,” Studies in Informatics and Control,vol. 28, no. 3, pp. 245–254, 2019.
[16] L. Ma, R. Shuai, X. Ran, W. Liu, and C. Ye, “Combining dcgan withresnet for blood cell image classification,” Medical & biological engineering& computing, vol. 58, pp. 1251–1264, 2020.
[17] S. Kumar, S. Mishra, and P. Asthana, “Automated detection of acuteleukemia using k-mean clustering algorithm,” in Advances in Computer andComputational Sciences: Proceedings of ICCCCS 2016, Volume 2. Springer, 2018, pp. 655–670.
[18] Y. Habchi, A. F. Aimer, M. Beladgham, and R. Bouddou, “Ultra low bitrate retinal image compression using integer lifting scheme and subbandencoder,” Indonesian Journal of Electrical Engineering and Computer Sci-ence (IJEECS), vol. 24, no. 1, pp. 295–307, 2021.
[19] Y. Habchi, M. Beladgham, A. MOULAY LAKHDAR, A. Bassou, and T.-A.Abdelmalik, “Low bit-rate medical video coding using dwt.” Electrotehnica,Electronica, Automatica, vol. 63, no. 1, 2015.
[20] Y. Habchi, M. Beladgham, H. Benlabbes, and A. T. Abdelmalik, “Hybriddct-dbt algorithm for medical video compression,” Electrotehnica, Electronica, Automatica, vol. 64, no. 2, p. 97, 2016.
[21] B. Sdiri, M. Kaaniche, F. A. Cheikh, A. Beghdadi, and O. J. Elle, “Efficient enhancement of stereo endoscopic images based on joint wavelet decompo- sition and binocular combination,” IEEE transactions on medical imaging,vol. 38, no. 1, pp. 33–45, 2018.
[22] E. Kang, W. Chang, J. Yoo, and J. C. Ye, “Deep convolutional framelet denosing for low-dose ct via wavelet residual network,” IEEE transactions on medical imaging, vol. 37, no. 6, pp. 1358– 1369, 2018.
[23] J. Shi, Y. Zhao, W. Xiang, V. Monga, X. Liu, and R. Tao, “Deep scatteringnetwork with fractional wavelet transform,” IEEE Transactions on SignalProcessing, vol. 69, pp. 4740– 4757, 2021.
[24] A. P. D. G. Savi ́c, M. Prokin, V. M. Rajovi ́c, and D. Prokin, “Memory efficient hardware architecture for 5/3 lifting-based 2-d forward discrete wavelettransform,” Microprocessors and Microsystems, vol. 87, p. 104176, 2021.
[25] L. Ding and W. Chen, “The analysis and research of lifting scheme based onwavelet transform,” in Cyber Security Intelligence and Analytics. Springer,2020, pp. 1377–1382.
[26] M. Shaban, R. Awan, M. M. Fraz, A. Azam, Y.-W. Tsang, D. Snead, and N. M. Rajpoot, “Context-aware convolutional neural network for grading of colorectal cancer histology images,” IEEE transactions on medical imaging, vol. 39, no. 7, pp. 2395– 2405, 2020.
[27] R. Gu, G. Wang, T. Song, R. Huang, M. Aertsen, J. Deprest, S. Ourselin, T. Vercauteren, and S. Zhang, “Ca-net: Comprehensive attention convolutional neural networks for explainable medical image segmentation,” IEEE transactions on medical imaging, vol. 40, no. 2, pp. 699 711, 2020.
[28] D. Karimi and S. E. Salcudean, “Reducing the hausdorff distance in medical image segmentation with convolutional neural networks,” IEEE Trans- actions on medical imaging, vol. 39, no. 2, pp. 499–513, 2019.
[29] R. Baig, A. Rehman, A. Almuhaimeed, A. Alzahrani, and H. T. Rauf, “Detecting malignant leukemia cells using microscopic blood smear images: Adeep learning approach,” Applied Sciences, vol. 12, no. 13, p. 6317, 2022.
[30] A. Abhishek, R. K. Jha, R. Sinha, and K. Jha, “Automated classification ofacute leukemia on a heterogeneous dataset using machine learning and deeplearning techniques,” Biomedical Signal Processing and Control, vol. 72, p.103341, 2022.
[31] R. Khandekar, P. Shastry, S. Jaishankar, O. Faust, and N. Sampathila,“Automated blast cell detection for acute lymphoblastic leukemia diagnosis,”Biomedical Signal Processing and Control, vol. 68, p. 102690, 2021.
[32] M. Zakir Ullah, Y. Zheng, J. Song, S. Aslam, C. Xu, G. D. Kiazolu, andL. Wang, “An attention-based convolutional neural network for acute lymphoblastic leukemia classification,” Applied Sciences, vol. 11, no. 22, p.10662, 2021.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 1205 "Aparat diagnostyczny dla ..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - e-zeszyt (pdf) 2004-8-9 licencja: Osobista Produkt cyfrowy	35.00 zł

Prenumerata

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

420.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna	528.00 zł brutto 488.89 zł netto 39.11 zł VAT (stawka VAT 8%)
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

570.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	636.00 zł brutto 588.89 zł netto 47.11 zł VAT (stawka VAT 8%)

636.00 zł

Zeszyt

2024-3

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma