Segmentácia Bielych Krviniek s Použitím Plne Konvolučných Neurónových Sietí

Abstract

In medicine, the identification and counting of white blood cells are used for diagnosing diseases like inflammation, malignancy or leukaemia. In this paper, we propose a novel approach to white blood cell segmentation. On two different white blood cell datasets, two networks, PSPNet and U-Net are trained to perform simultaneous nucleus and cytoplasm segmentation. Compared to ground truth, our segmentations are almost identical, with smoother borders. When comparing overall cell segmentation with current methods, our networks are achieving similar (or better) results in evaluated metrics, with intersection over union reaching around 0.95 for both networks. DICE coefficient is higher than 0.96 for both networks and both datasets, which is a promising result of the segmentation.V medicine sú identifikácia a počítanie bielych krviniek používané pre diagnostiku zápalu, malignít alebo leukémie. V tejto práci sme navrhli nový prístup ku segmentácii bielych krviniek. Jadro a cytoplazma buniek sú simultánne segmentované s použitím dvoch natrénovaných neurónových sietí, PSPNet a U-Net, na dvoch databázach obsahujúcich značené obrazy bielych krviniek. V porovnaní so značenými dátami je naša segmentácia skoro identická, s hladšou detekciou hraníc objektov. V prípade porovnania s momentálne používanými metódami dosahujeme podobné (alebo lepšie) výsledky vo vyhodnocovaných metrikách, s podieľom prieniku ku zjednoteniu segmentácií dosahujúcim hodnôt okolo 0.95 pre obe siete. DICE koeficient je vyšší ako 0.96 pre obe siete a obe databázy, čo predstavuje sľubné výsledky segmentácie.