In order to verify the segmentation

In order to verify the segmentation accuracy of ALL microimages through different loss functions trained by U-Net,accuracy, IOU score and F1 score were used to evaluatetraining, validation and test process. Three evaluation indexescould obtain an objective evaluation (Table 2). CDWN performed as the best on accuracy and IOU score evaluationduring the train and validation process. Although it was notthe most accurate one on the F1 score, a disparity less than0.01 was observed, compared with the highest accuracy. Fortest results, CDWN always performed as the best.The results in Table 2 show that creating the third class corresponding to the cell border, and enhancing U-Net learningcell border features through the weight map combined classweights and distance transformation weights, were beneficial to improve WBC segmentation result in ALL microscopicimages (Fig. 10)

ผลลัพธ์ (ไทย) 1:

เพื่อตรวจสอบความแม่นยำในการแบ่งส่วนของไมโครอิมเมจทั้งหมดผ่านฟังก์ชันการสูญเสียต่างๆ ที่ฝึกอบรมโดย U-Net ความแม่นยำ คะแนน IOU และคะแนน F1 ถูกนำมาใช้ในการประเมินการฝึกอบรม การตรวจสอบ และกระบวนการทดสอบ ดัชนีการประเมินผลสามรายการสามารถรับการประเมินตามวัตถุประสงค์ (ตารางที่ 2) CDWN ดำเนินการได้ดีที่สุดในด้านความแม่นยำและการประเมินคะแนน IOU ในระหว่างการฝึกอบรมและกระบวนการตรวจสอบ แม้ว่าจะไม่ใช่คะแนนที่แม่นยำที่สุดในคะแนน F1 แต่ก็สังเกตเห็นความแตกต่างน้อยกว่า 0.01 เมื่อเทียบกับความแม่นยำสูงสุด สำหรับผลการทดสอบ CDWN จะดำเนินการอย่างดีที่สุดเสมอ ผลลัพธ์ในตารางที่ 2 แสดงให้เห็นว่าการสร้างคลาสที่สามที่สอดคล้องกับเส้นขอบเซลล์ และการปรับปรุงคุณลักษณะเส้นขอบเซลล์การเรียนรู้ U-Net ผ่านทางแผนที่น้ำหนัก น้ำหนักคลาสรวมและน้ำหนักการเปลี่ยนแปลงระยะทาง มีประโยชน์ในการปรับปรุงผลลัพธ์การแบ่งส่วน WBC ในภาพด้วยกล้องจุลทรรศน์ทั้งหมด( ภาพที่ 10)

ผลลัพธ์ (ไทย) 2:

เพื่อตรวจสอบความถูกต้องของการแบ่งส่วนของภาพไมโครทั้งหมดผ่านฟังก์ชั่นการสูญเสียที่แตกต่างกันของการฝึกอบรม U-Net,
ความถูกต้อง การให้คะแนน IOU และการให้คะแนน F1 เพื่อประเมินผล
กระบวนการฝึกอบรมการตรวจสอบและการทดสอบ สามตัวชี้วัดการประเมิน
การประเมินวัตถุประสงค์ (ตารางที่ 2) สามารถรับได้ CDWN ทำงานได้ดีที่สุดในการประเมินความถูกต้องและการให้คะแนน IOU
ในกระบวนการฝึกอบรมและการตรวจสอบ แม้ว่าจะไม่ใช่
คะแนนที่แม่นยำที่สุดใน F1 ที่มีช่องว่างน้อยกว่า
0.01 สังเกตได้ สำหรับ
ผลการทดสอบแสดงให้เห็นว่า CDWN ทำงานได้ดีที่สุดเสมอ
ผลลัพธ์ในตารางที่ 2 แสดงให้เห็นว่าการสร้างหมวดหมู่ที่สามที่สอดคล้องกับขอบเขตของหน่วยและเพิ่มการเรียนรู้ U-Net
แผนที่คุณลักษณะขอบเขตของเซลล์ของคลาสรวมโดยน้ำหนัก
น้ำหนักและการเปลี่ยนระยะทางน้ำหนักที่เป็นประโยชน์ในการปรับปรุงผลการแบ่ง WBC ภายใต้กล้องจุลทรรศน์ ALL
รูปภาพ (รูปที่ 10)

ผลลัพธ์ (ไทย) 3:

เพื่อตรวจสอบความถูกต้องของการแบ่งส่วนของภาพกล้องจุลทรรศน์ทั้งหมดผ่านฟังก์ชันการสูญเสียที่แตกต่างกันโดยการฝึกอบรมU-net,
ใช้ความถูกต้องคะแนนIOUและคะแนนf 1เพื่อประเมิน
การฝึกอบรม การตรวจสอบ และกระบวนการทดสอบ. สามตัวชี้วัดการประเมินผล
มีการประเมินวัตถุประสงค์(ตารางที่2 ) CDWNทํางานได้ดีที่สุดในแง่ของความถูกต้องและการประเมินคะแนนIOU
ระหว่างการฝึกอบรมและการตรวจสอบ ถึงแม้ว่ามันจะไม่เป็นอย่างนั้นก็ตาม
คะแนน f1 ที่แม่นยําที่สุด มีช่องว่างน้อยกว่า
เมื่อเทียบกับความแม่นยําสูงสุดสังเกตเห็น0.01 สําหรับ
ผลการทดสอบแสดงให้เห็นว่าCDWNทํางานได้ดีที่สุดเสมอ
ผลลัพธ์ในตารางที่2แสดงให้เห็นว่าประเภทที่สามที่สอดคล้องกับขอบเขตของเซลล์ถูกสร้างขึ้นและเพิ่มการเรียนรู้U-net
ลักษณะขอบเขตพิกเซลของชั้นเรียนจะถูกรวมเข้าด้วยกันโดยใช้กราฟน้ําหนัก
น้ําหนักและน้ําหนักการแปลงระยะทางจะเอื้อต่อการปรับปรุงผลการแบ่งเซลล์เม็ดเลือดขาวด้วยกล้องจุลทรรศน์
รูปภาพ(รูปที่10 )