BCNET：血球分類のための新しいネットワーク

目的：慢性貧血、白血病（一般に血液がんとして知られている）、造血機能障害などのほとんどの血液疾患は、環境汚染、標準以下の装飾材料、放射線被曝、および特定の薬物の長期使用によって引き起こされます。したがって、血球の画像を分類することが不可欠です。ほとんどのセル分類は、マニュアル機能、機械学習分類器、またはディープコンボリューションネットワークニューラルモデルに基づいています。ただし、手動機能の抽出は非常に退屈なプロセスであり、結果は通常不十分です。一方、深い畳み込みニューラルネットワークは通常、巨大な層で構成されており、各層には多くのパラメーターがあります。したがって、各深い畳み込みニューラルネットワークは、結果を得るために多くの時間を必要とします。別の問題は、医療データセットが比較的小さく、それが過剰適合の問題につながる可能性があることです。方法：これらの問題に対処するために、血球の自動分類のための7つのモデルを提案します：Bcarenet、BCR5Renet、BCMV2Renet、BCRRNET、BCRENET、BCRSNET、およびBCNET。BCNETモデルは、提案された7つのモデルの中で最良のモデルです。メソッドのバックボーンモデルは、imagenetセットで事前に訓練されているResnet-18として選択されます。提案されたモデルのパフォーマンスを改善するために、訓練された転送されたResNet-18モデルの最後の4つの層を、RVFL、ELM、およびSNNである3つのランダム化ニューラルネットワーク（RNNS）に置き換えます。BCNETの最終出力は、多数派の投票により、3つのランダム化ニューラルネットワークからの予測のアンサンブルによって生成されます。モデルの評価には、4つの多分類インデックスを使用します。結果：精度、平均精度、平均F1スコア、および平均リコールは、それぞれ96.78、97.07、96.78、および96.77％です。結論：モデルと最先端の方法の比較を提供します。提案されているBCNETモデルの結果は、他の最先端の方法よりもはるかに優れています。

Aims: Most blood diseases, such as chronic anemia, leukemia (commonly known as blood cancer), and hematopoietic dysfunction, are caused by environmental pollution, substandard decoration materials, radiation exposure, and long-term use certain drugs. Thus, it is imperative to classify the blood cell images. Most cell classification is based on the manual feature, machine learning classifier or the deep convolution network neural model. However, manual feature extraction is a very tedious process, and the results are usually unsatisfactory. On the other hand, the deep convolution neural network is usually composed of massive layers, and each layer has many parameters. Therefore, each deep convolution neural network needs a lot of time to get the results. Another problem is that medical data sets are relatively small, which may lead to overfitting problems. Methods: To address these problems, we propose seven models for the automatic classification of blood cells: BCARENet, BCR5RENet, BCMV2RENet, BCRRNet, BCRENet, BCRSNet, and BCNet. The BCNet model is the best model among the seven proposed models. The backbone model in our method is selected as the ResNet-18, which is pre-trained on the ImageNet set. To improve the performance of the proposed model, we replace the last four layers of the trained transferred ResNet-18 model with the three randomized neural networks (RNNs), which are RVFL, ELM, and SNN. The final outputs of our BCNet are generated by the ensemble of the predictions from the three randomized neural networks by the majority voting. We use four multi-classification indexes for the evaluation of our model. Results: The accuracy, average precision, average F1-score, and average recall are 96.78, 97.07, 96.78, and 96.77%, respectively. Conclusion: We offer the comparison of our model with state-of-the-art methods. The results of the proposed BCNet model are much better than other state-of-the-art methods.