ارزیابی روش های شمارش گلبول های قرمز خون در تصاویر میکروسکوپی و پیشنهاد مدلی مبتنی بر یادگیری ماشین

شمارش گلبول های قرمز در تصاویر گلبول های خون، می تواند نقش بسیار زیادی در تشخیص و همچنین پیگیری روند درمان تعدادی از بیماری ها مانند کم خونی و لوسمی ایفا کند. در این پژوهش متد پیشنهادی (روش مبتنی بر ارزش) ارائه شده و ویژگی های گلبول های قرمز بدست می آید و با استفاده از روش یادگیری تقویتی مبتنی بر ارزش برای شمارش گلبول های قرمز، یک سیستم تطبیقی ایجاد شده که می تواند دقت شمارش آن را بهبود بخشد. شایان ذکر است، شناخت پویایی محیط، ساختار پاداش و مکانیسم های یادگیری برای موفقیت در اجرای چنین سیستمی بسیار مهم است. یادگیری تقویتی به ماشین ها این امکان را می دهد که از تجربیات یادگرفته و تصمیم های زیرکانه بگیرند. آن ها ابزاری قدرتمند با کاربردهای زیاد هستند، از رباتیک گرفته تا بازی و مدیریت منابع. درک عملکرد آن ها برای استفاده موثرتر از پتانسیلشان بسیار حائز اهمیت است. در کار پیشنهادی، تصاویر بر اساس رنگ، بافت و مورفولوژی طبقه بندی می شوند. فرآیند شمارش سلول ها در سه بخش انجام می شود: پردازش تصویر که شامل استخراج ویژگی بافت با استفاده از مورفولوژی، آستانه گذاری، تقسیم بندی و شمارش سلول ها با استفاده از روش Reinforcement learning. الگوریتم پیشنهادی به دقت کلی %۱۹.۷۶۶ دست می یابد و از نظر محاسباتی بسیار کارآمد است زیرا تنها ۰.۲۹۴۱۸ ثانیه طول می کشد تا تعداد گلبول های قرمز خون مختلف شمارش شود.

کلیدواژه ها:

گلبول های قرمز ، تصاویر میکروسکوپی ، یادگیری تقویتی ، خون