35、白血病分类与枣类水果识别的机器学习新进展

白血病分类与枣类水果识别的机器学习新进展

白血病自动分类新方法

白血病的准确分类在医疗诊断中至关重要。传统研究在白血病分类上存在两大问题：一是大多采用不太理想的FAB分类系统，而非WHO系统；二是以往研究中缺乏注意力机制。

为解决这些问题，提出了一种结合迁移学习和注意力机制的自动白血病分类新方法。该方法在使用WHO方法分类的急性淋巴细胞白血病数据集上取得了良好效果。具体操作如下：
1. 特征优化 ：在预训练网络输出后应用CBAM模块，有效优化外周血涂片（PBS）图像的特征，增强了模型的判别能力。
2. 优化策略 ：采用学习率降低、正则化和丢弃法（dropout）等技术进行优化，在不使用数据增强的情况下，取得了超越以往研究的结果。
3. 模型可解释性 ：通过呈现Grad - CAM图像和输出特征图，揭示输入图像的感兴趣区域以及CBAM集成在优化特征图方面的有效性，使模型不仅具有出色的分类性能，还具备高可解释性，这在医学诊断中非常关键。

未来计划通过探索更大的数据集、纳入分割技术以及研究视觉转换器在白血病分类中的潜力来扩展研究，期望为自动医学诊断领域的进一步研究提供灵感，推动更精确有效的白血病诊断工具的发展。

枣类水果识别的有效降维工作流程

枣类水果种类繁多，全球约有2500个不同品种，其中约200种可供食用。然而，由于枣类水果的角度、分离程度和光照条件不同，对其进行分类具有挑战性。传统的人工分级和分拣方法不仅单调耗时，还难以保证统一的分拣和一致的分级。

为解决这些问题，提出了一