White blood cells classification using machine learning and deep learning

การจำแนกเซลล์เม็ดเลือดขาวโดยใช้การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก

Name: Tidarat Katsanook

LCSH: Blood -- Analysis

LCSH: Blood cell count

LCSH: Blood cells

Abstract: การจำแนกประเภทเซลล์เม็ดเลือดขาว (White blood cell) มีบทบาทสำคัญในการวินิจฉัยและการจัดการโรคเกี่ยวกับโลหิตวิทยาและระบบภูมิคุ้มกัน งานวิจัยนี้ศึกษาประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) และการเรียนรู้เชิงลึก (Deep Learning) เพื่อทำให้การจำแนกเซลล์เม็ดเลือดขาวเป็นแบบอัตโนมัติและมีความแม่นยำมากยิ่งขึ้น โดยใช้ชุดข้อมูลขนาดใหญ่ซึ่งประกอบด้วยภาพกล้องจุลทรรศน์แบบสองมิติที่ติดป้ายกำกับไว้จำนวน 50,000 ภาพ จากมหาวิทยาลัยนอร์ทบริติชโคลัมเบีย (University of North British Columbia) ในการพัฒนาโมเดลที่สามารถแยกแยะเซลล์เม็ดเลือดขาวออกเป็น 4 กลุ่มหลัก ได้แก่ อีโอซิโนฟิล (Eosinophils) ลิมโฟไซต์ (Lymphocytes) โมโนไซต์ (Monocytes) และนิวโทรฟิล (Neutrophils) วิธีการดำเนินงานประกอบด้วยขั้นตอนสำคัญในการประมวลผลเบื้องต้น เช่น การปรับปรุงคุณภาพของภาพ การเพิ่มจำนวนข้อมูลเพื่อแก้ไขปัญหาข้อมูลไม่สมดุล และการสกัดคุณลักษณะขั้นสูง งานวิจัยนี้ได้นำอัลกอริทึมการเรียนรู้ของเครื่องแบบดั้งเดิม เช่น ต้นไม้ตัดสินใจ (Decision Trees) การถดถอยโลจิสติกหลายชั้น (Multinomial Logistic Regression) และป่าสุ่ม (Random Forest) รวมถึงเทคนิคการเรียนรู้เชิงลึกด้วยโครงข่ายประสาทแบบคอนโวลูชัน (Convolutional Neural Networks) มาประยุกต์ใช้ การประเมินประสิทธิภาพของโมเดลถูกดำเนินการอย่างเข้มงวดโดยใช้เมตริกที่สำคัญ เช่น ความถูกต้อง (Accuracy) ความแม่นยำ (Precision) ความไว (Recall) และคะแนน F1-score เพื่อรับรองความน่าเชื่อถือในการตรวจสอบและช่วยในการปรับแต่งโมเดลให้เหมาะสมที่สุด

Abstract: White blood cell classification plays a critical role in diagnosing and managing hematological and immune-related diseases. This study investigates the application of machine learning and deep learning techniques to automate and enhance the accuracy of WBC classification. Utilizing a comprehensive dataset comprising 50,000 labeled 2D images obtained from the University of North British Columbia, we developed robust classification models capable of distinguishing between four principal WBC types: eosinophils, lymphocytes, monocytes, and neutrophils. Our methodology includes image preprocessing, data augmentation, and feature extraction to enhance model performance. We implement classical machine learning models Decision Tree, Multinomial Logistic Regression, and Random Forest as well as deep learning methods based on Convolutional Neural Networks. Model evaluation is rigorously performed using standard metrics, including accuracy, precision, recall, and F1-score, to guide architecture optimization and validate performance.

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Chalermrat Nontapa

Role: Advisor

Name: Kornprom Pikulkaew

Role: Advisor

Created: 2025

Modified: 2568-10-24

Issued: 2025-09-19

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	660632062.pdf	1.02 MB

ใช้เวลา

0.030905 วินาที