IDENTIFICATION PRÉCOCE DU CANCER DU SANG PAR DÉTECTION AUTOMATISÉE DES ANOMALIES AVEC UN RÉSEAU NEURONAL CONVOLUTIONNEL
DOI :
https://doi.org/10.59277/RRST-EE.2025.3.22Mots-clés :
Leucémie lymphoïde chronique (LLC), Réseau neuronal profond avec convolutions (RCCN), Leucémie myéloïde aiguë (LMA), Leucémie lymphoblastique aiguë (LLA), Leucémie myéloïde chronique (LMC)Résumé
Le diagnostic et l'évaluation des cancers du sang nécessitent beaucoup de temps et d'efforts en raison de leur complexité. L'amélioration de la précision des informations acquises par les techniques d'analyse manuelle repose en grande partie sur des outils et des modèles d'automatisation. La recherche progresse avec des techniques de détection précoce permettant d'examiner les caractéristiques des cellules sanguines humaines. À ce jour, les chercheurs ont développé des modèles d'apprentissage plus approfondis basés sur des réseaux de neurones convolutifs (CNN), principalement grâce à des approches DCNN d'ensemble hybrides. Avec des taux de précision supérieurs à 99 %, cette technologie d'apprentissage profond améliore considérablement la capacité à suivre avec précision la progression des cancers du sang. Par conséquent, l'utilisation de technologies de pointe pour proposer des solutions au diagnostic clinique est devenue plus facile. Les informations obtenues grâce à cette recherche, comparées aux études précédentes utilisant LDSVM, démontrent le potentiel d'une meilleure solution.
Références
(1) D. Kumar, Automatic detection of white blood cancer from bone marrow microscopic images using convolutional neural networks, IEEE Access, 8, pp. 142521–142531 (2020)
(2) P. Ranjitha, S. Duth. Detection of blood cancer-leukemia using k-means algorithm, 5th International Conference on Intelligent Computing and Control Systems (ICICCS), IEEE (2021)
(3) R. Mosayebi, Early cancer detection in blood vessels using mobile nanosensors, IEEE transactions on nanobioscience,8, 2, pp. 103–116 (2018).
(4) S. Khan, A review on traditional machine learning and deep learning models for WBCs classification in blood smear images, IEEE Access, 9: pp.10657–10673 (2020).
(5) T.A.M. Elhassan, Feature extraction of white blood cells using CMYK-moment localization and deep learning in acute myeloid leukemia blood smear microscopic image, IEEE Access, 10, pp.16577–16591 (2022).
(6) T. Dharani, S. Hariprasath, Diagnosis of leukemia and its types using digital image processing techniques, 3rd International Conference on Communication and Electronics Systems (ICCES), IEEE, (2018)
(7) R. Sigit, M.M. Bachtiar, M.I. Fikri, Identification of leukemia diseases based on microscopic human blood cells using image processing. International Conference on Applied Engineering (ICAE), IEEE, (2018)
(8) V.J. Ramya, S. Lakshmi, A methodical review of diagnosis and classification of leukemia using blood microscopic images, International Conference on Communication and Signal Processing (ICCSP), IEEE, (2019)
(9) T. Kattenborn, Review on Convolutional Neural Networks (CNN) in vegetation remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 173, pp.24-49, (2021)
(10) O. Calin, Deep learning architectures, New York City, Springer International Publishing, (2020)
(11) M.S. Alim, S.D. Bappon, S.M. Sabuj, M.J. Islam, M..M Tarek, M.S. Azam, M.M. Islam, Integrating convolutional neural networks for microscopic image analysis in acute lymphoblastic leukemia classification: A deep learning approach for enhanced diagnostic precision, Systems and Soft Computing (2024).
(12) N. Alshdaifat, H.A. Owida, Z. Mustafa, A. Aburomman, S. Abuowaida, A. Ibrahim, W. Alsharafat, Automated blood cancer detection models based on EfficientNet-B3 architecture and transfer learning, Indonesian Journal of Electrical Engineering and Computer Science,36, 3 (2024).
(13) K. Lalithkumar, M.A. Priyanga, S. Sandhya, M. Karthiga, CapsENet: Deep Learning based Acute Lymphoblastic Leukemia Detection Approach, 8th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC), pp. 1577–1584, IEEE, (2024)
(14) S.A. Preanto, M.T. Ahad, Y.R. Emon, S. Mustofa, M. Alamin, A study on deep feature extraction to detect and classify Acute Lymphoblastic Leukemia (ALL), arXiv preprint arXiv:2409.06687 (2024).
(15) M. Iswarya, Detection of Leukemia using machine learning, International Conference on Applied Artificial Intelligence and Computing (ICAAIC), pp. 466–470, IEEE (2022).
(16) A. Shridhar, P.S. Baghel, R. Mahobia, O. Bhargava, S. Totade, Study of prevalence of acute leukemia, International Journal of Health Sciences, 6, S8, pp.6995–7001 (2023).
(17) P.D. Saragea, A Comprehensive Overview of Malignant Lymphomas: Classification, Epidemiology, and Clinical Insights (2024)
(18) B.T. Hill, Etiology of cancer, Clinical Ophthalmic Oncology: Basic Principles, pp.11–17, (2019)
(19) Q. Lu, D. Yang, H. Li, H, T. Niu, A. Tong, Multiple myeloma: signaling pathways and targeted therapy, Molecular Biomedicine, 5, 1, pp. 25 (2024).
(20) A. Ramaiah, P.D. Balasubramanian, A. Appathurai, M. Narayanaperumal, Detection of Parkinson's disease via Clifford gradient-based recurrent neural network using multi-dimensional data, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 1, pp.103–108 (2024).
(21) M.B. Priya, C. Ramakrishnan, S. Karthik, Fetal 3D-echo classification and segmentation using color and textural features for tr detection, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 1, pp.115–120 (2024).
(22) S. Palanisamy,T. Ramasamy, MEDI-NET: cloud-based framework for medical data retrieval system using deep learning, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 2, pp.255–260, (2024)
(23) A. Appathurai, A.S.I. Tinu, M., Narayanaperumal, M., MEG and PET images-based brain tumor detection using Kapur’s Otsu segmentation and Sooty optimized MobileNet classification, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 3, pp. 359–364 (2024).
(24) A. Karim, A, Azhari, M. Shahroz, S. Brahim Belhaouri, K. Mustofa, LDSVM: Leukemia cancer classification using machine learning, Computers, Materials & Continua, 71, 2 (2022).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
