Comparison of different neural network architectures for automatic classification of peripheral blood cell images

Abstract

The classification of blood cell types in microscope imagery is a key problem in healthcare. Traditional cell microscope morphology is expensive and error-prone, and so automating this is a popular area of research. This thesis performs a com- parative analysis of six different deep learning techniques for classifying different blood cell types, to identify the best performing architecture; it also examines the impact of training data size on the quality of each architecture, to study how these architectures can be used while keeping the training dataset small. We find that without pre-training, ResNet is the most successful architecture in terms of accuracy and robustness with small datasets, achieving an accuracy of 95.9% on the largest dataset and an accuracy of 79.1% on a very small dataset; MobileNetV3 achieves even higher performance of 97.1% on the largest dataset but breaks down on the very small dataset. With pre-training, ConvNeXt has the best performance on the very small dataset, achieving an accuracy of 87.8%.

La clasificación de los tipos de células sanguíneas en las imágenes del microscopio es un problema clave en la atención sanitaria. La morfología tradicional de los microscopios de células es costosa y propensa a errores, por lo que su automatización es un área de investigación muy popular. Esta tesis realiza un análisis comparativo de seis técnicas diferentes de aprendizaje profundo para clasificar diferentes tipos de células sanguíneas, con el fin de identificar la arquitectura de mejor rendimiento; también examina el impacto del tamaño de los datos de entrenamiento en la calidad de cada arquitectura, para estudiar cómo se pueden utilizar estas arquitecturas manteniendo el conjunto de datos de entrenamiento pequeño. Comprobamos que, sin preentrenamiento, ResNet es la arquitectura más exitosa en términos de precisión y robustez con conjuntos de datos pequeños, logrando una precisión del 95,9% en el conjunto de datos más grande y una precisión del 79,1% en un conjunto de datos muy pequeño; MobileNetV3 logra un rendimiento aún mayor del 97,1% en el conjunto de datos más grande, pero se rompe en el conjunto de datos muy pequeño. Con el preentrenamiento, ConvNeXt obtiene el mejor rendimiento en el conjunto de datos muy pequeño, con una precisión del 87,8%.

La classificació dels tipus de cèl·lules sanguínies en les imatges del microscopi és un problema clau en l'atenció sanitària. La morfologia tradicional dels microscopis de cèl·lules és costosa i propensa a errors, per la qual cosa la seva automatització és una àrea de recerca molt popular. Aquesta tesi realitza una anàlisi comparativa de sis tècniques diferents d'aprenentatge profund per a classificar diferents tipus de cèl·lules sanguínies, amb la finalitat d'identificar l'arquitectura de millor rendiment; també examina l'impacte de la grandària de les dades d'entrenament en la qualitat de cada arquitectura, per a estudiar com es poden utilitzar aquestes arquitectures mantenint el conjunt de dades d'entrenament petit. Comprovem que, sense preentrenament, ResNet és l'arquitectura més reeixida en termes de precisió i robustesa amb conjunts de dades petites, aconseguint una precisió del 95,9% en el conjunt de dades més gran i una precisió del 79,1% en un conjunt de dades molt petit; MobileNetV3 aconsegueix un rendiment encara major del 97,1% en el conjunt de dades més gran, però es trenca en el conjunt de dades molt petit. Amb el preentrenament, ConvNeXt obté el millor rendiment en el conjunt de dades molt petit, amb una precisió del 87,8%.