Abstrak:
Early detection of leukemia and reduced risk to human health can result from interdisciplinary integration of image analysis with clinical experimental results. Image analysis relies on efficient and reliable processing algorithms to make quantitative judgments on image data. This article presents the design and implementation of an efficient and high-throughput leukemia cell count and cluster classification algorithm to automatically quantify leukemia population statistics in the field of view. The algorithm is divided into two stages: (1) the cell identification stage and (2) the cell classification and inspection stage. The cell identification stage accurately segments background and noise from foreground pixels. 'n Grenskas word gegenereer wat die voorgrondpiksels omsluit wat alle geïsoleerde selle en selklusters identifiseer. Die selklassifikasie- en inspeksiestadium gebruik eendimensionele intensiteitsprofiele wat optree as kenmerkende plotte om geïsoleerde selle van selgroepe te skei en totale telling binne elke groepering te evalueer. Die ontwerpte algoritme word getoets met 'n verskeidenheid leukemie-selbeelde wat verskil in beeldverkrygingstoestande, beeldgroottes, selgroottes, intensiteit verspreidings, en beeldkwaliteit. Die voorgestelde algoritme demonstreer goeie potensiaal in die verwerking van beide ideale en nie-ideale beelde met 'n gemiddelde akkuraatheid van 91% en gemiddelde verwerkingstyd van 3 s. Die werkverrigting van die voorgestelde algoritme in vergelyking met onlangs gepubliseerde algoritmes en kommersiële beeldanalise-instrument bepaal verder die robuustheid daarvan.

Brinda Prasad en Wael Badawy, "Hoë-deurset Identifikasie en Klassifikasie Algoritme vir Leukemie Bevolking Statistiek,” The Journal of Imaging Science and Technology 52(3), 2008.

Skakel na die lys van ander Peer Journal Publications