Идентификация популяций клеток крови рыб на основе сверточной нейронной сети для составления лейкограммы

В аквакультуре требуется физиологическая оценка для контроля состояния здоровья рыб. Кровь является наиболее быстро реагирующей на изменения внешних факторов системой в организме гидробионтов. Изучение гематологических показателей рыб позволяет проводить раннюю диагностику заболеваний, отрабатывать технологический режим разведения и выращивания, селекцию. Типизация клеток циркулирующих жидкостей является важной для составления гемоцитарной и лейкоцитарной формул, характеризующих клеточное звено иммунного ответа организма.

В представленных исследованиях разрабатываются модели сверточной нейронной сети для классификации клеток крови карповых и осетровых рыб. Точность моделей оценивается на основе метрик Accuracy и Precision, Recall, F₁ при макроусреднении.

На основе обработки снимков крови подготовлено 1104 изображения клеток крови карповых и осетровых рыб, включающие в себя 15 популяций клеток: гемогистобласты, миелобласты, промиелоциты, миелоциты, метамиелоциты, палочкоядерные нейтрофилы, сегментоядерные нейтрофилы, эозинофилы, базофилы, моноциты, лимфоциты, эритробласты, нормобласты, зрелые эритроциты, тромбоциты.

Разработаны модели сверточной нейронной сети для распознавания популяций клеточных элементов крови (эритроцитов, лейкоцитов, тромбоцитов) карповых и осетровых рыб. Обучение моделей происходило на 80% подготовленных изображений. При этом удалось избежать проблемы переобучения, о чем свидетельствуют построенные графики изменения значений функции потерь (разреженной категориальной перекрестной энтропии – sparse categorical crossentropy) и точности (accuracy) в процессе обучения.

Построенные модели позволяют распознавать клетки крови карповых рыб с точностью 75,0% (метрика F₁ при макроусреднении равна 0,570) и клетки крови осетровых рыб с точностью 76,6% (F₁ при макроусреднении составляет 0,664).

1. Долгов В.В., Меньшиков В.В. Клиническая лабораторная диагностика. Национальное руководство // М.: ГЭОТАР-Медиа. – 2016. – 688с.

2. Житенева, Л.Д., Макаров Э.В., Рудницкая О.А. Основы ихтиогематологии (в сравнительном аспекте). – Ростов-на-Дону: Эверест, 2004. – 312 с. – Текст: непосредственный

3. Иванов А.А., Пронина Г.А., Корягина Н.Ю. Гематология пойкилотермных гидробионтов: Монография. – Иркутск: ООО «Мегапринт», 2018. – 133 с. – Текст: непосредственный

4. Маслова Н.И., Петрушин А.Б. Методические рекомендации по управлению селекционным процессом в рыбоводстве (на примере карпа). – М.: Россельхозакадемия, 2005. – 27с. – Текст: непосредственный

5. Паттерсон Дж., Гибсон А. Глубокое обучение с точки зрения практика. – М.: ДМК Пресс, 2018. – 418 с. – Текст: непосредственный

6. Пищенко Е.В. Гематология пресноводной рыбы: Учебное пособие. – Новосибирск: Новосиб. гос. аграр. ун-т, 2002. – 48с. – Текст: непосредственный

7. Пронина Г.И., Иванов А.А, Маннапов А.Г, Саная О.В. Иммунитет пойкилотермных гидробионтов // Известия ТСХА. – 2021. – №2. – С. 71-91. – Текст: непосредственный

8. Пронина Г.И. Клиническая лабораторная диагностика. Практикум: Учебное пособие для ВУЗов. – М., 2021. – 88 с. – Текст: непосредственный

9. Пронина Г.И., Корягина Н.Ю. Методология физиолого-иммунологической оценки гидробионтов: Учебное пособие. – СПб: Лань, 2017. – 96с. – Текст: непосредственный

10. Agustin, R.I., Arif A., Sukorini U. Classification of immature white blood cells in acute lymphoblastic leukemia L1 using neural networks particle swarm optimization // Neural Comput & Applic 33, 10869–10880, 2021. – URL: https://doi.org/10.1007/s00521-021-06245-7

11. Fernández J.C., Carbonero M., Gutiérrez P.A. et al. Multi-objective evolutionary optimization using the relationship between F1 and accuracy metrics in classification tasks // Appl Intell 49, 2019, 3447–3463. – URL: https://doi.org/10.1007/s10489-019-01447-y

12. Hameed Z., Garcia-Zapirain B., Aguirre J.J. et al. Multiclass classification of breast cancer histopathology images using multilevel features of deep convolutional neural network // Sci Rep 12, 15600, 2022. – URL: https://doi.org/10.1038/s41598-022-19278-2

13. Le Floc’h N., Gondret F., Resmond R. Identification of blood immune and metabolic indicators explaining the variability of growth of pigs under contrasted sanitary conditions. BMC Vet Res 17, 166 (2021). https://doi.org/10.1186/s12917-021-02872-3

14. Mortaz E. Imbalance accuracy metric for model selection in multi-class imbalance classification problems // Knowledge-Based Systems, Volume 210, 2020, 106490. – URL: https://doi.org/10.1016/j.knosys.2020.106490

15. Sadafi A., Shen D. Multiclass Deep Active Learning for Detecting Red Blood Cell Subtypes in Brightfield Microscopy // Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. Lecture Notes in Computer Science(), vol. 11764. Springer, Cham, pp. 685-693, 2019. – URL: https://doi.org/10.1007/978-3-030-32239-7_76

16. Shilaskar S., Ghatol A. Diagnosis system for imbalanced multi-minority medical dataset // Soft Comput 23, 4789–4799, 2019. – URL: https://doi.org/10.1007/s00500-018-3133-x

17. Sokolova M., Lapalme G. A systematic analysis of performance measures for classification tasks // Information Processing & Management, Volume 45, Issue 4, Pages 427-437, 2009. – URL: https://doi.org/10.1016/j.ipm.2009.03.002

18. Takahashi K., Yamamoto K., Kuchiba A. Confidence interval for micro-averaged F1 and macro-averaged F1 scores // Appl Intell 52, 4961–4972, 2022. – URL: https://doi.org/10.1007/s10489-021-02635-5

19. tf.keras.callbacks.EarlyStopping. – Текст: электронный // tensorflow.org – официальный сайт открытой программной библиотеки TensorFlow для машинного обучения. – URL: https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/EarlyStopping

20. Upadhyay V., Rathod D. Location-Based Crime Prediction Using Multiclass Classification Data Mining Techniques // (eds) IOT with Smart Systems. Smart Innovation, Systems and Technologies, vol 251. Springer, Singapore, pp. 619-626, 2022. – URL: https://doi.org/10.1007/978-981-16-3945-6_61