Анализ неокрашенных мазков крови: обзор методов на основе правил, машинного обучения и глубокого обучения
Unstained Blood Smear Analysis: A Review of Rule‐Based, Machine Learning, and Deep Learning Techniques
2025-06-30
SCID: 54.1/n237nqy7
Discuss with AI
классификация клеток кровисегментация клеток кровиглубокое обучениебесконтрастная визуализацияанализ неокрашенных мазков крови
Figures from the paper
Abstract (AI)
Клетки крови играют ключевую роль в транспорте кислорода, иммунной защите и гемостазе. Их количество и морфология служат чувствительными биомаркерами, поэтому точные сегментация и классификация имеют essentialное значение для гематологической диагностики. Биофотонные методы теперь обеспечивают получение изображений неокрашенных мазков без применения меток за счёт использования собственного фазового контраста и контраста рассеяния, однако такие изображения характеризуются слабым оптическим сигналом и незначительными морфологическими вариациями, что усугубляет ошибки сегментации. Тем не менее методы визуализации без меток сохраняют контраст в случаях, когда красители оказываются неэффективными, что обусловливает возобновление интереса к рабочим процессам с использованием неокрашенных образцов. В настоящем обзоре анализируются подходы на основе правил, машинного обучения и глубокого обучения к сегментации и классификации клеток крови без меток с акцентом на повышение эффективности, сохраняющиеся проблемы и перспективные направления для внедрения в клиническую практику.
Key Findings
1
Точная сегментация и классификация клеток крови необходимы, поскольку их количество и морфология являются чувствительными биомаркерами гематологических заболеваний.
2
Биофотонная визуализация позволяет анализировать неокрашенные мазки крови без меток, используя собственный фазовый и светорассеивающий контраст.
3
Методы без окрашивания могут сохранять диагностически значимый контраст там, где окрашивание оказывается неэффективным, однако для клинического внедрения сохраняются существенные проблемы.
4
В обзоре сравниваются методы на основе правил, машинного обучения и глубокого обучения для сегментации и классификации клеток крови без меток.
5
Неокрашенные изображения часто характеризуются низким оптическим сигналом и слабыми морфологическими различиями, что увеличивает число ошибок сегментации.
Research Object
безметочные изображения неокрашенных мазков крови и содержащиеся в них клетки крови
Research Subject
сегментация и классификация клеток крови на основе собственного фазового контраста и контраста рассеяния, включая эффективность, проблемы и клиническое внедрение
Publication Details
Publication Date
2025-06-30
Journal
Publisher
ISSN
Cited by
7
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Глубокое остаточное обучение для распознавания изображений2016
Градиентное обучение для распознавания документов1998
Swin Transformer: Иерархический визуальный трансформер с использова́нием сдвинутых окон2021
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021