НЕЙРОСЕТЕВОЙ АНАЛИЗ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ ЛЕЙКОЦИТОВ ДЛЯ ОБНАРУЖЕНИЯ ЗАБОЛЕВАНИЙ КРОВИ Текст научной статьи по специальности «Компьютерные и информационные науки»

Научная статья УДК 681.5:612.112

DOI 10.35266/1999-7604-2023-3-43-51

НЕЙРОСЕТЕВОЙ АНАЛИЗ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ ЛЕЙКОЦИТОВ ДЛЯ ОБНАРУЖЕНИЯ ЗАБОЛЕВАНИЙ КРОВИ

Максим Алексеевич Панин Элишан Шахинович Мамедов 2, Дмитрий Викторович Тараканов 3

1 2 3 Сургутский государственный университет, Сургут, Россия 1 panin@edu.surgu.ru https://orcid.org/0009-0007-6899-3108 2mamedov_esh@surgu.ru, https://orcid.org/0009-0005-7118-9001 3 sprtdv@mail.ru, https://orcid.org/0000-0003-1851-1039

Аннотация. В статье рассматривается применение метода трансферного обучения ансамбля искусственных сверточных нейронных сетей с предварительной сегментацией клеток крови на цифровых изображениях для последующей классификации их типов. Полученные результаты нейросетевой классификации свидетельствуют об эффективности использования рассматриваемых технологий для повышения точности искусственных нейронных сетей при решении задач сегментации медицинских изображений лейкоцитов с целью диагностики заболеваний крови.

Ключевые слова: сверточные нейронные сети, классификация, диагностика, распознавание медицинских изображений, глубокое обучение

Для цитирования: Панин М. А., Мамедов Э. Ш., Тараканов Д. В. Нейросетевой анализ цифровых изображений лейкоцитов для обнаружения заболеваний крови // Вестник кибернетики. 2023. Т. 22, № 3. С. 43-51. DOI 10.35266/1999-7604-2023-3-43-51.

Original article

AN ANALYSIS OF DIGITAL IMAGES USING NEURAL NETWORKS TO DETECT HEMATOLOGIC DISEASES

Maksim A. PaninElishan Sh. Mamedov 2, Dmitry V. Tarakanov 3

1 2 3 Surgut State University, Surgut, Russia 1 panin@edu.surgu.ru https://orcid.org/0009-0007-6899-3108 2mamedov_esh@surgu.ru, https://orcid.org/0009-0005-7118-9001 3 sprtdv@mail.ru, https://orcid.org/0000-0003-1851-1039

Abstract. The article discusses the application of the transfer learning method for the ensemble of artificial convolutional neural networks with preliminary digital image segmentation for blood cells in order to classify them later. The results obtained during neural networks classification demonstrate the efficiency of such technologies used for improving the accuracy of artificial neural networks when solving the problems of medical images segmentation for leukocytes in order to diagnose hematologic diseases.

Keywords: convolutional neural networks, classification, diagnosing, reading of medical images, deep learning

For citation: Panin M. A., Mamedov E. Sh., Tarakanov D. V. An analysis of digital images using neural networks to detect hematologic diseases. Proceedings in Cybernetics. 2023;22(3):43-51. DOI 10.35266/1999-7604-2023-3-43-51.

ВВЕДЕНИЕ

Своевременная диагностика онкологических заболеваний крови является одной из важнейших задач в медицине, поэтому качественная обработка цифровых изображений клеток

крови позволяет ускорить время определения наличия у пациента заболевания [1-3].

В данной статье рассмотрены методы решения задачи семантической сегментации медицинских изображений с использованием

сверточных нейронных сетей (convolutional neural networks - CNN). Сегментация изображений в «компьютерном зрении» - это процесс разделения цифрового изображения на несколько областей с учетом различных свойств пикселей, важный инструмент для диагностики и обнаружения патологий на медицинских изображениях.

Для решения задачи медицинской диагностики используются две стандартные архитектуры CNN: U-Net и CE-Net [4-6], которые являются эффективными методами решения задачи семантической сегментации, позволяющие точно определять органы, аномалии и структуры на медицинских изображениях.

U-Net - типичная архитектура CNN для сегментации медицинских изображений, состоит из сужающегося и расширяющегося пути. Сужающийся путь включает повторяющиеся свертки и операции пулинга для понижения разрешения, а расширяющийся путь выполняет операции повышающей дискретизации и объединения с предыдущими слоями. U-Net позволяет создавать маску, разделяющую изображение на несколько классов.

CE-Net состоит из модулей кодирования объектов, извлечения контекста и декодирования объектов. Модуль кодирования использует предварительно обученную сеть ResNet-34, добавляя механизм быстрого доступа. Модуль

извлечения контекста извлекает контекстную семантическую информацию с помощью блока DAC (Dense Atrous Convolution) и блока RMP (Reduced MultiPath). Модуль декодера восстанавливает семантические объекты высокого уровня.

МАТЕРИАЛЫ И МЕТОДЫ

Острый лимфобластный лейкоз (acute lymphoblastic leukemia - ALL) составляет около 25 % педиатрических раковых заболеваний [7]. Идентификации незрелых лейкемических бла-стов под микроскопом и их дифференциация от нормальных клеток является сложной задачей, поскольку морфологически изображения этих двух клеток похожи.

Задача разбита на два отдельных этапа со следующими изображениями обучающего набора:

- испытуемых образцов всего - 73; ALL (рак) - 47; норма - 26;

- изображений клеток всего - 10 661; ALL (рак) - 7 272; норма - 3 389.

Состав изображений предварительного тестового набора:

- испытуемых образцов всего - 28; ALL (рак) - 13; норма - 15;

- изображений клеток всего - 1 867; ALL (рак) - 1 219; норма - 648.

Пример изображений на рис. 1.

Рис. 1. Пример изображений клеток крови

Примечание: составлено по [8].

Датасет Munich AML Morphology содержит 18 365 помеченных экспертами Университетской клиники Мюнхена в период с 2014 по 2017 гг. изображений клетки, полученных из мазков периферической крови 100 пациентов с диагнозом «острый миелоидный лейкоз», и 100 пациентов - без признаков гематологического злокачественного заболевания. Изображения получены с помощью цифрового микроскопа/сканера M8 (Precipoint GmbH, Фрайзинг, Германия) при 100-кратном оптическом увеличении и масляной иммерсии. Па-

LYTJPG

Ф

МО N JPG »

MYOJPG

Обучающая выборка для задачи классификации построена таким образом, что заранее известно, к какому классу относится то или иное изображение. Это позволяет определить, что данная задача относится к разделу «обучение с учителем» - к классификации, а именно -к классификации изображений лейкоцитов.

Тестирование для обучения CE-Net и ^N^1 с использованием каждого набора данных показало хороший потенциал для классификации медицинских изображений, поэтому для решения задачи анализа цифровых изображений лейкоцитов была создана оригинальная нейронная сеть, обладающая всеми их преимуществами.

На рис. 3 показана архитектура модели созданной нейронной сети № 1 для классификации изображений лейкоцитов. Первый слой позволяет расширить обучающую выборку

тологические и непатологические лейкоциты классифицировались обученными экспертами по стандартной схеме морфологической классификации, полученной из клинической практики. Для количественной оценки меж- и внутри-рейтинговой вариабельности экспертиз подмножество изображений повторно аннотировали. Набор данных был использован при обучении CNN для классификации морфологии одноклеточных. Пример изображений показан на рис. 2.

MYOJPG

V

NGSJPG

LYTJPG

путем создания новых изображений, изменяя масштаб и угол поворота изображений. Второй слой нормализует все значения RGB-матрицы изображения к диапазону от 0 до 1. Следующим идет слой двумерной свертки, где первый параметр - это размерность выходного пространства, а второй параметр -окно свертки - это размер 2D-матрицы. Именно благодаря окну свертки нейронная сеть «запоминает» отличительные особенности каждого изображения. Следующий слой уменьшает размерность изображения, после чего размерность двумерной свертки увеличивается, повторяясь таким образом до слоя Flatten, который уменьшает размер входящих данных. Затем полученный массив преобразуется в одномерный и сокращается до количества меток для классификации. Схема слоев нейронной сети показана на рис. 4.

Рис. 2. Пример группы лейкоцитов

Примечание: составлено по [9].

model_5 = sequential([ dat a_augne nt ation, layers.Rescaling(l./255, input_sha layers.Conv2D(16, 3, paddings' same layers.MaxPooling2D()j layers.Conv2D(32, 3, paddings ' same layers. MaxPoo.ling2D() , layers.ccmv2D(64, 3, paddings'same layers.MaxPooling2D()j layers.conv2D(123, 3, paddings'sam layers.MaxPooling2D(), layers.conv2D(256, 3.,, paddings'sam layers.MaxPooling2D()3 layers.conv2D{512, 3, paddings'sam layers.MaxPooling2D(), layers . FlattenOj

layers.Dense(12S, activation='relu layers.Dense(num_classes)

])

pe=(2e#, гее, з>), activations'relu■}3

activations'relu')3

activation='relu'>3

, activations'relu'),

г activations'relu'

, activations'relu')j

model_5.compile(optimizer='adam",

lossstf »Ikeras . losses. SparseCategor icalCros sent ropy (frciri_log it ssTrue), metrics=['accuracy 1])

Рис. 3. Слои модели нейронной сети № 1

Примечание: фото авторов.

sequent! al_iuput input: [(None, 200, 200, 3)]

InputLayer output: [(None, 200, 200, 3)]

sequential input: (None, 200, 200, 3)

Sequential output: (None, 200, 200, 3)

rescaling_2 input: (None, 200, 200,3)

Rescalmg output: (None, 200, 200,3)

1

conv2d_ll input: (None, 200, 200, 3)

Conv2D output: (None, 200,200, 16)

m ax_pooling2 d_l 1 input: (None, 200, 200,16)

MaxPooling2D output: (None, 100,100,16)

conv2d_12 input: (None, 100,100,16)

Conv2D output: (None, 100,100, 32)

ill ax_pooling2 d_l 2 input: (None, 100,100, 32)

MaxPooling2D output: (None, 50, 50, 32)

conv2d_13 input: (None, 50, 50. 32)

Conv2D output: (None, 50, 50, 64)

ill ax_pooling2 d_l 3 input: (None, 50, 50s 64)

MaxPooling2D output: (None. 25, 25. 64)

conv2d_14 input: (None, 25, 25, 64)

Conv2D output: (None, 25, 25, 128)

ш ax_pooliii§2d_l 4 input: (None, 25, 25,128)

MaxPooling2D output: (None, 12. 12.128)

conv2d_15 input: (None, 12,12,128)

Coiiv2D output: (None. 12.12,256)

max_pooling2d_15 input: (None, 12, 12, 256)

MaxPooling2D output: (None, 6, 6, 256)

couv2d_16 input: (None. 6. 6, 256)

Conv2D output: (None. 6. 6, 512)

in ax_pooliiig2 d_l 6 input: (None, 6. 6. 512)

MaxPooling2D output: (None. 3. 3. 512)

flatten_2 input: (None. 3. 3. 512)

Flatten output: (None. 4608)

dense_3 input: (None, 4608)

Dense output: (None, 128)

1

dense_4 input: (None. 128)

Dense output: (None, 15)

Рис. 4. Блок-схема слоев модели нейронной сети № 1

Примечание: фото авторов.

Оптимизатор Adam - один из самых эффективных алгоритмов оптимизации в обучении нейронных сетей, сочетающий в себе идеи RMSProp и оптимизатора импульса. Вместо того чтобы адаптировать скорость обучения

параметров на основе среднего первого момента (среднего значения), как в RMSProp, Adam также использует среднее значение вторых моментов градиентов.

Оценка потерь вычисляется при помощи SparseCategoricalCrossentropy, а именно вычисляется функция потери кросс-энтропии между реальными классами и их прогнозами.

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Нейронные сети способны быстро и с минимальной погрешностью находить по статическим данным и изображениям нужную информацию. В рамках данного исследования были использованы два набора данных, находящихся в открытом доступе: первый -с изображениями различных лейкоцитов, которые могут быть предвестниками раковых заболеваний крови, второй - с изображениями здоровых и зараженных лейкемиче-ских бластов. Успешное создание моделей, способных классифицировать изображения,

и интеграция их в медицинские учреждения позволит значительно ускорить время определения наличия заболевания у пациента.

На рис. 5 показан результат обучения модели нейронной сети № 1. Точность на тренировочном наборе данных 93 %, точность на тестовом - 89 %. Показатель loss показывает общую тенденцию обучения нейронной сети. Уменьшение метрики с каждой эпохой свидетельствует о том, что процесс обучения идет правильно, а кратковременное увеличение метрики val_loss и дальнейшее ее уменьшение - о том, что нейронная сеть в процессе обучения столкнулась с новыми данными. В результате обучения сеть адаптировалась к новым изображениям. Метрики val_loss и val_accuracy подтвердили успешное обучение нейронной сети.

epochs = 15

history = model_5 fit(

train_ds,

validat.ion_data val_dSj

epochs=epochs

)

Epoch 1/15

39/39 [==========

54

Epoch 2/15

39/39 [==========

52

Epoch 3/15

39/39 [==========

28

Epoch 4/15

39/39 [==========

10

Epoch 5/15

39/39 [==========

85

Epoch 6/15

39/39 [==========

94

Epoch 7/15

39/39 [==========

36

Epoch 8/15

39/39 [==========

96

Epoch 9/15

39/39 [=========

54

Epoch 10/15

39/39 [=========

03

Epoch 11/15

39/39 [=========

55

Epoch 12/15

39/39 [==========

13

Epoch 13/15

39/39 [==========

76

Epoch 14/15

39/39 [==========

13

Epoch 15/15

39/39 [==========

. 75/step - loss: 1.336В - accuracy: 9.5297 - val_loss: 1.3617 -

■ 6s/step - loss: Э.712В - accuracy: 0.7772 - val_loss: 0.S421 -

■ 6s/step - loss: 9.5112 - accuracy: 0.S496 - val_loss: 0.77S3 -

■ 6s/step - loss: 0.44&1 - accuracy: 0.S640 - val_loss: 0.5957 -

■ 6s/step - loss: 0.4697 - accuracy: 0.S75S - val_loss: 0.5S06 -

■ 6s/step - loss: 0.3703 - accuracy: 0.SSS9 - val_loss: 0.5320 -

; Ss/step - loss: 0.3616 - accuracy: 0.SS99 - val_loss: 0.535© -

; Ss/step - loss: ©.33S5 - accuracy: 0.S949 - val_loss: 0.6127 -

. 75/step - loss: 0.3530 - accuracy: 0.S910 - val_loss: 0.5413

. 75/step - loss: 0.3680 - accuracy: 0.9049 - val_loss: 0.4939 -

. 75/step - loss: 0.2S50 - accuracy: 0.9142 - val_loss: 0.5106 -

. 75/step - loss: 0.2879 - accuracy: 0.9166 - val_loss: 0.6902 -

; Ss/step - loss: ©.2675 - accuracy: 0.9209 - val_loss: 0.4582 -

. 75/step - loss: 0.2414 - accuracy: 0.9301 - val_loss: 0.4242 -

. 75/step - loss: 0.2319 - accuracy: 0.9319 - val_loss: 0.4157 -

val_accuracy: 0.59

yal_accuracy: 0.79

yal_accuracy: 0.79

yal_accuracy: 0.S5

yal_accuracy: 0.S4

yal_accuracy: 0.S5

yal_accuracy: 0.S6

val_accuracy: 0.S2

yal_accuracy: 0.86

yal_accuracy: 0.S7

val_accuracy: 0.35

yal_accuracy: 0.S3

yal_accuracy: 0.S7

yal_accuracy: 0.S9

val_accuracy: 0.S9

Рис. 5. Результат обучения модели нейронной сети № 1

Примечание: фото авторов.

На рис. 6 представлен график обучения фике, с увеличением количества эпох растет модели нейронной сети № 1. Как видно на гра- точность нейронной сети, а потери, наоборот,

падают. Точность в пике составляет чуть бо- фике видно, что потери с увеличением коли-лее 90 % у тестового набора данных, и при- чества эпох падают. мерно 85 % - у проверочного. Также на гра-

Точность Потери

О 5 10 0 5 10

Количество Эпох Количество Эпох

Рис. 6. График обучения модели нейронной сети № 1

Примечание: фото авторов.

Слои модели нейронной сети № 2 для классификации изображений лейкемических бластов очень схожи со слоями первой нейронной сети, однако имеется ряд отличий. Максимальный размер выходного пространства - слоя двумерной свертки, равен 64,

тогда как на предыдущем примере - 512. Также не применяются слои нормализации и расширения выборки. Параметры оптимизации остались те же (рис. 7). На рис. 8 показана блок-схема с новыми слоями модели и гиперпараметрами.

num_classes = len(class_narie5)

model_@ = Sequeritial( [

layers.Coriv2D(16, 3> paddirig= ' same ', activatiori= layers.MaxPooling2D(),

layers.Conv2D(32, 3> paddirig= ' same ', activatiori= layers.MaxPooling2D(),

layers.Conv2D(64, 3, paddirig= ' same', activation» layers.MaxPooling2D(), layers. Flatteri(),

layers.Dense{128, activation=1relu'), layers.Dense{num_classes)

])

'relu 1), 'relu 1), 'relu'),

model_0.compile(optimizen='adam',

loss=tf.keras.losses . Spa rseCategoricalCrossent ropy (from_logits=True), metrics=['accuracy']}

Рис. 7. Слои модели нейронной сети № 2 для классификации клеток крови

Примечание: фото авторов.

conv2d 1? input input: [(None, 100.100. 3)]

LiputLayei output: [(None. 100.100. 3)]

conv2d_15 input: (None, 100,100. 3)

C'ouv2D output: (Noue. 100.100. l(i)

lu ax_pooling2 d_l ? input: (None. 100.100,16)

MaxPooling2D output: (None. 50, 50, 16)

1 t

conv2d_16 input: (None, 50, 50,16)

Conv2D output: (None. 50. 50. 32)

max_pooling2d_16 input: (None. 50. 50, 32)

MaxPooling2D output: (None, 25, 25, 32)

conv2d 17 input: (None. 25, 25. 32)

Conv2I> output: (None. 25, 25. 64)

max_pooling2d_17 input: (None. 25. 25. 64)

MaxPooling2D output: (None. 12,12, 64)

flatten 3 input: (None. 12.12. 64)

Flatten output: (None. 9216)

dense? input: (None. 9216)

Dense output: (None, 128)

1 г

dense 6 input: (None. 128)

Dense output: (None, 2)

Рис. 8. Блок-схема модели нейронной сети № 2

Примечание: фото авторов.

На рис. 9 показан результат обучения модели нейронной сети № 2. Минимальное увеличение и изменение метрики loss свидетельствует о минимальной погрешности в работе нейронной сети [5]. Точность модели равняется 84 % на тестовом наборе данных и 74 % - на проверочном. На рис. 10 изображен график обучения модели. Как видно на графике, с увеличением количества эпох растет точность нейронной сети, а потери, наоборот, падают. Точность в пике состав-

ляет чуть более 80 % у тестового набора данных и около 75 % - у проверочного, которые не сильно изменяются в процессе обучения. Также на графике видно, что потери у тестового набора данных с увеличением количества эпох резко падают. Потери у проверочного набора данных падают не так резко и значительно, как у тестового, что может свидетельствовать о наличии у модели нейронной сети определенной погрешности классификации.

epochs = 10 history = model_0.fit{ train_dSj

validatian_(iata=val_d5, epochs=epochs)

Epoch 1/10 9/9

Epoch 2/10

9/9 Epoch 3/10 9/9

Epoch 4/10 9/9 Epoch 5/10 9/9

Epoch 6/10 9/9 Epoch 7/10 9/9

Epoch 8/10 9/9 Epoch 9/10 9/9

Epoch 10/10 9/9

26s 2s/step - loss 11.4919 - accuracy: 0.5964 val loss: 1.0694 val accuracy: 0.7028

215 2s/step - loss 0.6535 accuracy: 3.8076 - val_ loss: 3.6280 - val_ accuracy: 3.7268

22s 2s/step - loss 0.4545 accuracy: 3.7976 - val_ loss: 3.6694 - val_ accuracy: 3.745:1

235 2s/step - loss 0.4233 accuracy: a.8250 - val_ loss: 3.5694 - val_ accuracy: 3.7451

21s 2s/step - loss 0.4043 accuracy: 3.8330 - val_ loss: 3. 5578 - val_ accuracy: 3.7493

255 2s/step - loss 0.4007 accuracy: 3.8333 - val_ loss: 3. 5844 - val_ accuracy: 3.7423

20s 2s/step - loss 0.3968 accuracy: a.8328 - val_ loss: 3.5783 - val_ accuracy: 3.7465

21s 2s/step - loss 0.3955 accuracy: a.8352 - val_ loss: 3.5652 - val_ accuracy: 3.7408

22; 2s/step - loss 0.3805 accuracy: 3.8384 - val_ loss: 3.5746 - val_ accuracy: 3.7437

21s 2s/step - loss 0.3842 accuracy: .8403 - val loss: 3.5600 - val accuracy: 3.7437

Рис. 9. Результат обучения модели нейронной сети № 2

Примечание: фото авторов.

Рис. 10. График обучения модели нейронной сети № 2

Примечание: фото авторов.

ЗАКЛЮЧЕНИЕ

В работе представлены результаты нейро-сетевой обработки изображений клеток крови. В процессе обучения нейронной сети использовался объединенный датасет, состоящий из трех разных наборов данных. Показано, что объединение моделей приводит к повышению точности сегментации лейкоцитов путем усреднения прогнозов трех моделей, что позволяет ансамблю достигать наиболее

Список источников

1. Бурхонов Р. А., Клименко С. В. Применение методов глубокого обучения в задаче распознавания медицинских изображений : труды междунар. науч. конф. CPT1617, 08-15 мая 2016 г.; 07-14 мая 2017 г., г. Ларнака, Республика Кипр; 28-29 июня 2016 г., г. ЦарьГрад, Россия. М. ; Протвино : ИФТИ, 2017. С. 163-165.

2. Пеников А. А., Белов Ю. С. Обзор архитектур сверточных нейронных сетей для решения задачи семантической сегментации медицинских изображений // Фундаментальные и прикладные исследования. Актуальные проблемы и достижения : сб. избранных статей Всерос. национал. науч. конф., 11 января 2022 г., г. Санкт-Петербург. СПб. : ГНИИ «НАЦРАЗВИТИЕ», 2022. С. 18-21.

3. Gu Z., Cheng J., Fu H. et al. CE-Net: Context encoder network for 2D medical image segmentation. IEEE

точного результата. Исследование имеет практическую значимость, поскольку предлагаемые методы могут быть применены в автоматизированных системах гематологических лабораторий. Это может повысить эффективность и качество работы систем и ускорить процесс классификации лейкоцитов и анализа крови для своевременной диагностики заболеваний пациентов.

References

1. Burkhonov R. A., Klimenko S. V. Using methods of deep learning for medical image analysis. In: Proceedings of the International Conference CPT1617, May 08-15, 2016; May 07-14, 2017, Lamaca, Cyprus; June 28-29, 2016, TzarGrad, Russia. Moscow; Protvino: ICPT; 2017. p. 163-165. (In Russian).

2. Penikov A. A., Belov Yu. S. Overview of convolu-tional neural network architectures for solving the problem of semantic segmentation of medical images. In: Proceedings of the All-Russian National Scientific Conference "Fundamentalnye i prikladnye issledo-vaniia", January 11, 2022, Saint Petersburg. St. Petersburg: Humanitarian National Research Institute NATsRAZVITIE; 2022. p. 18-21. (In Russian).

3. Gu Z., Cheng J., Fu H. et al. CE-Net: Context encoder network for 2D medical image segmentation. IEEE

Transactions on Medical Imaging. 2019;38(10):2281-2292.

4. Погружение в сверточные нейронные сети: передача обучения (transfer learning). URL: https://habr. com/ru/post/467967/ (дата обращения: 14.09.2023).

5. Keras Applications. URL: https://keras.io/api/appli-cations/ (дата обращения: 14.09.2023).

6. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv. 2015. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения: 14.09.2023).

7. Куркова А. А., Григорьева А. И. Дифференциальная диагностика острого лимфобластного и острого миелобластного лейкозов // Смоленский медицинский альманах. 2018. № 1. С. 191-196.

8. C_NMC_2019 dataset: ALL challenge dataset of ISBI 2019 (C-NMC 2019). URL: https://wiki.cancer-imagingarchive.net/pages/viewpage.action?pageId= 52758223#52758223a9c2c0a8b429412880eaa12328 6ca6f7 (дата обращения: 14.09.2023).

9. A single-cell morphological dataset of leukocytes from AML patients and non-malignant controls (AML-Cytomorphology_LMU). URL: https://wiki. cancerimagingarchive.net/pages/viewpage.action?pa geId=61080958#610809587633e163895b484eafe57 94e2017c585 (дата обращения: 14.09.2023).

Transactions on Medical Imaging. 2019;38(10):2281-2292.

4. Pogruzhenie v svertochnye neironnye seti: peredacha obucheniia (transfer learning). URL: https://habr.com/ ru/post/467967/ (accessed: 14.09.2023). (In Russian).

5. Keras Applications. URL: https://keras.io/api/appli-cations/ (accessed: 14.09.2023).

6. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv. 2015. URL: https://arxiv.org/pdf/1409.1556.pdf (accessed: 14.09.2023).

7. Kurkova A. A., Grigoryeva A. I. Differential diagnostics of acute lymphoblastic and myeloblastic leukimia. Smolensk Medical Almanac. 2018;(1):191—196. (In Russian).

8. C_NMC_2019 dataset: ALL challenge dataset of ISBI 2019 (C-NMC 2019). URL: https://wiki.cancer-imagingarchive. net/pages/viewpage.action?pageId= 52758223#52758223a9c2c0a8b429412880eaa12328 6ca6f7 (accessed: 14.09.2023).

9. A single-cell morphological dataset of leukocytes from AML patients and non-malignant controls (AML-Cytomorphology_LMU). URL: https://wiki. cancerimagingarchive.net/pages/viewpage.action?pa geId=61080958#610809587633e163895b484eafe57 94e2017c585 (accessed: 14.09.2023).

Информация об авторах

М. А. Панин - магистрант. Э. Ш. Мамедов - магистрант. Д. В. Тараканов - кандидат технических наук, доцент.

Information about the authors

M. A. Panin - Master's Degree Student. E. Sh. Mamedov - Master's Degree Student. D. V. Tarakanov - Candidate of Sciences (Engineering), Docent.