YOLO 기반 관심 영역 추출 및 특징 앙상블을 활용한 향상된 백혈구 분류 기법
Enhanced White Blood Cell Classification via YOLO-based Region-of-Interest Extraction and Feature Ensemble
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
혈액은 신체 건강과 밀접한 연관이 있으며, 백혈구(White Blood Cells, WBC), 적혈구(Red Blood Cells, RBC), 그리고 혈소판(Platelets)으로 구성된다. 이는 면역 체계, 신체 기관에 산소 전달, 지혈작용 등에 기여한다. 백혈구의 경우 감염, 알레르기 반응과 같이 신체 내에 이상이 발생하면 해당이상 증세와 관련된 백혈구 유형이 증가하는 특징을 가진다. 이러한 특징을 이용하면 딥러닝 기반 객체 탐지 알고리즘 및 분류 방법을 적용하여 백혈구 세부 유형을 식별할 수 있으며, 환자의건강 상태 예측에 용이한 정보로 활용할 수 있다. 따라서, 본 논문은 You-Only-Look-Once (YOLO) 및 특징 앙상블 기반 혈액 현미경 이미지 내 관심 영역 추출 및 백혈구 세부 유형 분류 기법을제안한다. YOLO V5, YOLO V8, YOLO V9, YOLO-Neural Architecture Search (YOLO-NAS) 모델의백혈구 탐지 성능을 비교 분석하여 가장 적합한 관심 영역 추출 모델을 선정하였다. 이후 ResNet, EfficientNet과 같은 일반적인 합성곱 신경망(Convolutional Neural Network)의 백혈구 유형 분류 성능을 비교 분석한 후, 성능이 우수한 상위 3개의 모델을 선택하여 특징 앙상블을 진행하였으며F1-Score를 기준으로 상위 3개 모델의 약 98%와 비교하여 약 99%의 향상된 성능을 달성하였다.
Abstract
Blood is composed of white blood cells (WBC), red blood cells (RBC), and platelets, components closely related to human health. They respectively contribute to the immune system, the transfer of oxygen to body organs, and bleeding prevention. In the case of WBC, when abnormalities occur in the body, such as infections and allergic reactions, the relevant type of WBC in the blood increases to respond. Therefore, it is possible to identify the type of WBC in the case of abnormalities in the body through the application of deep learning-based object detection algorithms and classification methods. This information can be used to predict the health status of patients easily. Therefore, this paper proposes a method for extracting the region of interest (RoI) for WBC and classifying WBC types based on blood microscope images using you-only-look-once (YOLO) and feature ensemble techniques. We select RoI extraction models through a comparative analysis of WBC detection performance for YOLO V5, V8, V9 and YOLO-Neural Architecture Search (YOLO-NAS), and demonstrate an improvement in WBC type classification performance through comparative analysis and a Top-3 model feature ensemble based on general convolutional neural network (CNN) models, such as ResNet and EfficientNet. Compared to the approximately 98% performance of the Top-3 models based on the F1-Score, it achieved an improved performance of approximately 99%.