การเปรียบเทียบประสิทธิภาพการนับเรติคูโลไซต์โดยใช้โครงข่ายประสาทเทียมแบบเพอร์เซปตรอนหลายชั้นและโครงข่ายประสาทเทียมแบบคอนโวลูชัน
คำสำคัญ:
การนับเรติคูโลไซต์, เพอร์เซปตรอนหลายชั้น , โครงข่ายประสาทเทียมแบบคอนโวลูชันบทคัดย่อ
การนับเรติคูโลไซต์ที่ตรวจพบในกระแสเลือดช่วยบ่งชี้ถึงประสิทธิภาพการสร้างเม็ดเลือดแดงของไขกระดูกซึ่งใช้ประกอบการวินิจฉัยและติดตามการรักษาได้ งานวิจัยนี้เป็นการศึกษาวิธีการนับเรติคูโลไซต์จากภาพสเมียร์เลือดที่ย้อมด้วยสี brilliant cresyl blue แล้วย้อมทับด้วยสี Wright-Giemsa โดยใช้เทคนิคการประมวลผลภาพเชิงดิจิทัลในการแยกส่วนภาพเซลล์เม็ดเลือดแดงและใช้โครงข่ายประสาทเทียมในการนับเรติคูโลไซต์ ผลการศึกษาพบว่าโครงข่ายประสาทเทียมแบบเพอร์เซปตรอนหลายชั้นที่ใช้ฮิสโตแกรมของค่า hue และ saturation ของภาพเซลล์เม็ดเลือดแดงเป็นข้อมูลนำเข้ามีประสิทธิภาพในการนับเรติคูโลไซต์ดีกว่า ใช้จำนวนพารามิเตอร์ที่น้อยกว่า ใช้เวลาฝึกสอนและประมวลผลน้อยกว่าเมื่อเปรียบเทียบกับโครงข่ายประสาทเทียมแบบคอนโวลูชันที่ใช้ภาพเซลล์เม็ดเลือดแดงเป็นข้อมูลนำเข้า การนับเรติคูโลไซต์โครงข่ายประสาทเทียมแบบเพอร์เซปตรอนหลายชั้นมี accuracy 98.83%, precision 0.80, recall 0.88 และ F1-score 0.84 ผลการศึกษานี้บ่งชี้ว่าฮิสโตแกรมของสารสนเทศสีของภาพเซลล์เม็ดเลือดแดงเป็นคุณลักษณะที่สำคัญสำหรับการแยกแยะเรติคูโลไซต์ โปรแกรมนี้ควรพัฒนาเพื่อใช้งานในห้องปฏิบัติการในอนาคต
References
Riley RS, Ben-Ezra JM, Goel R, Tidwell A. Reticulocytes and reticulocyte enumeration. J Clin Lab Anal. 2001; 15: 267-294.
Briggs C, Bain BJ. Basic haematological techiques. In: Brain BJ, Bates I, Laffan MA, Lewis SM, editors. Dacies and Lewis practical haematology. 11th ed. Elsevier Churchill Livingstone. 2012: p 33-36.
Bracho FJ, Osorio IA. Evaluation of reticulocyte production index in pediatric population. Am J Clin Pathol. 2020; 154: 70-77.
Marks PW. Approach to anemia in the adult and child. In: Hoffman R, Benz, Jr EJ, Silberstein LE, Heslop HE, Weitz JI, Anastasi J, editors. Hematology: basic principles and practice. 6th ed. Elsevier Saunders. 2013: p 418-426.
NCCLS. Methods for reticulocyte counting (automated blood cell counters, flow cytometry and supravital dyes). Approved guideline. 2nd ed. Dcument H44-A2, Wayne PA: NCCLS; 2004.
Piva E, Brugnara C, Chiandetti L, Plebani M, Automated reticulocyte count: state of the art and clinical application in the evaluation of erythropoiesis. Clin Chem Lab Med. 2010; 48: 1369-1380.
Kratz A, Bengtsson H, Casey JE, Keefe JK, Beatrice GH, Grzybek DY, et al., Performance evaluation of the CellaVision DM96 system: WBC differentials by automated digital image analysis supported by an artificial neural network. Am J Clin Pathol. 2005; 124(5): 770-781.
Park SJ, Yoon J, Kwon JA, Yoon S. Evaluation of the CellaVision advanced RBC application for detecting red blood cell morphological abnormalities. Anal Lab Med. 2021; 41: 44-50.
Kratz A, Bengtsson H, Casey JE, Keefe JK, Beatrice GH, Grzybek DY, et al. Performance evaluation of the CellaVision DM96 system: WBC differentials by automated digital image analysis supported by an artificial neural network. Am J Clin Pathol. 2005; 124(5): 770-781.
Horn CL, Mansoor A, Wood B, Nelson H, Higa D, Lee LH, et al., Performance of the CellaVision® DM96 system for detecting red blood cell morphologic abnormalities. J Pathol Inform. 2015; 6: 11.
Park SJ, Yoon J, Kwon JA, Yoon S. Evaluation of the CellaVision advanced RBC application for detecting red blood cell morphological abnormalities. Anal Lab Med. 2021; 41: 44-50.
Abiodun OI, Jantan A, Omolara AE, Dada KV, Mohamed NA, Arshad H. State of the art in artificial neural network applications: a survey. Heliyon. 2018; 4(11): e00938.
Kaur J, Singh M, Bains PS, Singh G. Analysis of multi layer perceptron network. Inter J Comput Tech. 2013; 7(2): 600–606.
Ajit A, Acharya K, Samanta A. A review of convolutional neural networks. International Conference on Emerging Trends in Information Technology and Engineering; 2020 Feb 24-25; Vellore, India. IEEE; 2020. p. 1–5.
Ting FF, Sim KS. Self-regulated multilayer perceptron neural network for breast cancer classification. International Conference on Robotics, Automation and Sciences; 2017 Nov 27-29; Multimedia University, Melaka, Malaysia. IEEE; 2017. p. 1–5.
Maity M, Banerjee S, Sinha Chaudhuri S. Faster R-CNN and YOLO based vehicle detection: a survey. 5th International Conference on Computing Methodologies and Communication; 2021 April 8-10; Erode, India. IEEE; 2021. p. 1442–1447.
Rachmawati E, Khodra ML, Supriana I. Histogram based color pattern identification of multiclass fruit using feature selection. International Conference on Electrical Engineering and Informatics; 2015 Aug 10-11; Denpasar, Bali, Indonesia. IEEE; 2015. p. 43–48.
Drałus G, Mazur D, Czmil A. Automatic detection and counting of blood bells in smear images using RetinaNet. Entropy. 2021; 23(11): 1522.
Lamberti WF. Blood cell classification using interpretable shape features: a comparative study of SVM models and CNN-Based approaches. Computer Methods Programs Biomed Up. 2021;1:100023.
Parab MA, Mehendale ND. Red blood cell classification using image processing and CNN. SN Computer Sci. 2021; 2(2): 70.
Kitchen SF. The demonstration of reticulocyte with wright’s stain. Stain Technology 1938; 13: 107-109.
Yeldhos M, Peeyush KP. Red blood cell counter using embedded image processing techniques. Research Reports. 2018: e1-e5.
Thejashwini M, Padma MC. Counting of RBC’s and WBC’s using image processing technique. Int J Recent Innov Trends Comput Commun. 2015; 3(5): 2948–2953.
Maitra M, Kumar Gupta R, Mukherjee M. Detection and counting of red blood cells in blood cell images using Hough transform. Inter J Comput App. 2012. 53(16): 13–17.
Dvanesh VD, Lakshmi PS, Reddy K, Vasavi AS. Blood cell count using digital image processing. International Conference on Current Trends towards Converging Technologies; 2018 Mar 1-3; Coimbatore, Tamil Nadu, India. IEEE; 2018. p. 1–7.
Mazalan SM, Mahmood NH, Razak MAA. Automated red blood cells counting in peripheral blood smear image using circular Hough transform. 1st International Conference on Artificial Intelligence, Modelling and Simulation; 2013 Dec 3-5; Kota Kinabalu, Malaysia. IEEE; 2013. p. 320–324.
Alomari YM, Sheikh Abdullah SNH, Zaharatul Azma R, Omar K. Automatic detection and quantification of WBCs and RBCs using iterative structured circle detection algorithm. Comput Math Methods Med. 2014; 2014: 1–17.
Howard AG, Zhu M, Chen B, Kalenichenko D, Wang W, Weyand T, et al., MobileNets: efficient convolutional neural networks for mobile vision applications. arXiv:1704.04861v1. Web 17 Apr 2017
Huang G, Liu Z, van der Maaten L, Weinberger KQ. Densely connected convolutional networks. arXiv:1608.06993v5. Web 28 Jan 2018.
Downloads
เผยแพร่แล้ว
ฉบับ
บท
License
Copyright (c) 2023 วารสารวิจัย มข. (ฉบับบัณฑิตศึกษา)
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
