ID 5051 - Automatic Blood-Cell Classification

By claudio.soto.ayala | Updated: Jan. 16, 2021, 6:44 p.m.

Slideshow Video

SHARE THE AWESOMENESS

Other

create your own animated videos for free

_abc cc

* Powtoon is not liable for any 3rd party content used. It is the responsibility of each user to comply with 3rd party copyright laws.

Embed code

Select a size, the embed code changes based on your selection.

_abc Powtoon Transcript

Luis Claudio Soto-Ayala, Jose Antonio Cantoral-CeballosMember, IEEE
Automatic Blood-Cell Classification via Convolutional Neural Networks and Transfer Learning
IEEE Latin America Transactions - 
ID 5051
DEFINICIÓN DEL PROBLEMA
DEFINICIÓN DEL PROBLEMA
* La clasificación citomorfológica suele ser una evaluación complicada, ya que es una tarea que puede consumir mucho tiempo por paciente.

* Este tipo de situaciones puede aumentar la carga de trabajo de los médicos especialistas capacitados para realizar estas tareas, teniendo como posible consecuencia la disminución de las capacidades cognitivas para realizar diagnósticos.

* Las demoras temporales prolongadas entre el escaneo, interpretación y tratamiento pueden tomar una cantidad considerable de tiempo aún cuando el paciente necesita atención urgente.

IEEE Latin America Transactions - 
ID 5051
SOLUCIÓN PROPUESTA
SOLUCIÓN PROPUESTA
* Redes Neuronales 
Convolucionales

Arquitectura:

*Se diseñó un modelo con dos capas convolucionales, con Max Pooling, seguidas de 2 capas tipo perceptrón multicapa (MLP) o fully connected de 120 y 84 neuronas, respectivamente.  *Discriminación binaria de incidencias típicas y atípicas. *Modelos pre-entrenados RESNET 18 y 34.
IEEE Latin America Transactions - 
ID 5051
Resultados
Resultados
* La tabla muestra los resultados de los modelos sin Transfer Learning utilizados con entradas 32x32x3
IEEE Latin America Transactions - 
ID 5051
Resultados
* La tabla muestra los resultados de los modelos de Transfer Learning utilizados con entradas 32x32x3
IEEE Latin America Transactions - 
ID 5051
Resultados
* La tabla muestra los resultados de los modelos sin Transfer Learning utilizados con entradas 400x400x3
IEEE Latin America Transactions - 
ID 5051
Resultados
* La tabla muestra los resultados de los modelos de Transfer Learning utilizados con entradas 400x400x3
IEEE Latin America Transactions - 
ID 5051
Resultados
* La gráfica muestra los resultados de la efectividad en el porcentaje de aciertos por clase para los mejores modelos sin Transfer Learning y de Transfer learning para entradas 32x32x3 y 400x400x4.
ID:14 tiene los valores mas altos de efectividad en la detección de incidencias típicas y atípicas.
IEEE Latin America Transactions - 
ID 5051
Resultados
* La gráfica muestra los resultados de la distribución de aciertos y errores de los modelos sin Transfer Learning vs Transfer Learning para entradas de 32x32x3 y 400x400x3.
ID:14 tiene el menor numero y porcentaje por falsos negativos de los casos estudiados.
IEEE Latin America Transactions - 
ID 5051
Conclusiones
Conclusiones
* Realizar un diagnóstico médico oportuno puede resultar una tarea sumamente difícil debido a la naturaleza multifactorial que se desprende del ambiente de trabajo, conocimiento, área de experiencia, carga de trabajo, así como la falta de especialistas capacitados.

* Después de presentar los resultados, se observa que el modelo resultó especialmente efectivo al realizar clasificaciones de la constitución del grupo sanguíneo periférico en los seres humanos, teniendo una efectividad por encima del 90% y un error general de apenas el 2.66% (ID:14).

*La efectividad alcanzada en la clasificación de individuos ciertamente enfermos presentó disminución en las incidencias de falsos negativos a aproximadamente el 1.33%, haciéndolo una herramienta eficaz al realizar un diagnóstico.
IEEE Latin America Transactions - 
ID 5051

ID 5051 - Automatic Blood-Cell Classification

Copy this link to share with friends and colleagues:

WELCOME TO POWTOON!