|
| 作者 |
技术 |
结果 |
|
| ［7］ |
OTSU分割和神经网络分类。 |
训练后的平均表现为65%和95%。 |
|
| ［12］ |
基于gram-Schmidt正交化的算法。 |
平均绩效85.4%。 |
|
| ［11］ |
递增区域的迭代法。 |
对嗜碱性细胞和中性细胞的鉴定效果分别为76.47%和95.5%。 |
|
| ［17］ |
RGB和复值神经网络的对比度调整。 |
复值精密度为99.3%，实值精密度为97.5%。 |
|
| ［18］ |
图像分割与对比度调整和灰度滤波。 |
嗜碱性粒细胞、嗜酸性粒细胞、单核细胞、中性粒细胞和淋巴细胞的准确率分别为80.04%、69.3%、86.3%、80.3%和83.8%。 |
|
| ［19］ |
PCA和树突状分类。 |
该工艺的平均效率为77.2%。 |
|
| ［20.］ |
血液涂片显微图像中红细胞的重叠检测。 |
敏感度和特异度均高于96% |
|
| ［21］ |
基于全局阈值和特征几何对不同类型白细胞进行分类。 |
淋巴细胞、单核细胞和中性粒细胞分类百分率分别高于98%、92%和95%。 |
|
| ［22］ |
白细胞核的分割与K-Means聚类识别。 |
其中嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞和中性粒细胞的精密度分别为98%、98%、84.3%、93.3%。 |
|
| ［23］ |
基于支持向量机的血液涂片白细胞分类。 |
准确度为98.5%，中性粒细胞对嗜酸性粒细胞的准确度为99.9%，淋巴细胞和单核细胞的准确度为98.8%，93.7%。 |
|
| ［16］ |
基于模糊c均值的WBC分割与分类。 |
该方法对5种细胞的准确率为91%。 |
|
| 提出了系统 |
利用高斯径向基函数(RBFN)网络和形态描述子对细胞进行分类。 |
对嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞和中性粒细胞的检测准确率分别为73.07%、93.42%、97.37%和79.52%，准确率为98.2%。 |
|
