Automatizovaná analýza krevních buněk pomocí strojového učení

Abstract

Tato diplomová práce se zabývá automatizovanou analýzou periferních krevních nátěrů pomocí metod hlubokého učení za účelem zrychlení a zpřesnění hematologické diagnostiky. V první fázi byla řešena klasifikace izolovaných leukocytů do pěti tříd pomocí konvolučních sítí GoogLeNet, ResNet-101 a MobileNetV2 s využitím přenosu učení a metody převzorkování dat. Experimentálně bylo prokázáno, že nejlepších výsledků dosahuje odlehčená architektura MobileNetV2. Druhá část práce byla věnována plošné lokalizaci a detekci krevních elementů v komplexních mikroskopických snímcích pomocí jednofázových detektorů rodiny YOLOv8. Výsledky potvrdily, že tyto odlehčené detektory efektivně překonávají problémy s mechanickým překrýváním buněk a datovou nevyvážeností. Navržené modely tak představují robustní a výpočetně nenáročný základ pro systémy podpory klinického rozhodování (CAD), uplatnitelný i na koncových zařízeních (Edge AI).

This master's thesis deals with the automated analysis of peripheral blood smears using deep learning methods to accelerate and refine hematological diagnostics. In the first phase, the classification of isolated leukocytes into five classes was performed using the GoogLeNet, ResNet-101, and MobileNetV2 convolutional neural networks, utilizing transfer learning and data oversampling techniques. It was experimentally proven that the lightweight MobileNetV2 architecture achieves the best results. The second part of the thesis is dedicated to the spatial localization and detection of blood elements in complex microscopic images using single-stage detectors of the YOLOv8 family. The results confirmed that these lightweight detectors effectively overcome the problems of mechanical cell overlapping and data imbalance. The proposed models thus represent a robust and computationally undemanding foundation for clinical decision support systems (CAD), applicable even on edge devices (Edge AI).