Thesis (M.Sc)-Cairo University, 2024.

Bibliography: pages 108-120.

ALL is a fast-growing condition that can impact the bone marrow, blood, and crucial organs within the body. It is a rapidly progressive disorder that requires prompt medical attention and treatment. Timely and accurate diagnosis is crucial to determine appropriate treatment. However, the manual diagnosis by hematologists can be time-consuming and susceptible to errors and inconsistencies. Deep learning, particularly convolutional neural network (CNN/ConvNet) technology, is used to address various challenges in detecting and diagnosing ALL. This advanced technology is capable of accurately analyzing large amounts of data and identifying subtle differences in the genetic and cellular makeup of leukemia cells, has shown promise in medical diagnosis, particularly in visual image analysis. The fast and accurate feature extraction function and trainable network architecture of CNNs make them suitable for this application. In this study, we propose an effective deep framework for CNN networks that enables the rapid and early detection and classification of leukemia cells from microscopic blood smear images. In order to classify cells as either blast cells (ALL) or healthy cells (HEM), the problem was framed as a binary classification challenge. Each individual cell was assessed and classified using this approach.
In this study, various CNN-based architectures were evaluated using transfer learning. Specifically, we investigated the performance of VGG16, VGG19, ResNet60, ResNet101, and DensNet169 models. The results indicate that the DensNet169 model outperformed the other models with an accuracy score of 97.62% . These findings demonstrate the potential of transfer learning and the superiority of the DensNet169 model for the accurate and efficient classification of leukemia cells in microscopic blood smear images

(اللوكيميا )سرطان الدم الليمفاوي الحاد( هو حالة سريعة النمو التي يمكن أن تؤثر على نخاع العظم، الدم، والأعضاء الحاسمة داخل الجسم. إنه اضطراب تقدمي سريع يتطلب عناية وعلاجا طبيين فوريين. والتشخيص في الوقت المناسب وبدقة أمر حاسم لتحديد العلاج المناسب. ومع ذلك، يمكن أن يكون التشخيص الذاتي من قبل أخصائيي أمراض الدم مستهلكاً للوقت ومعرضاً للأخطاء والتناقضات. ويسُتخدم التعلم العميق، ولا سيما تكنولوجيا الشبكة العصبية التعاقبية) CNN/ConvNet( في التصدي لمختلف التحديات في كشف وتشخيص كل شيء. وهذه التكنولوجيا المتقدمة قادرة على التحليل الدقيق لكميات كبيرة من البيانات وتحديد الاختلافات الدقيقة في التركيب الوراثي والخلوي لخلايا اللوكيميا، وقد أثبتت أنها واعدة في التشخيص الطبي، ولا سيما في تحليل الصور البصرية.
وتؤدي وظيفة الاستخراج السريع والدقيق للخاصيات وبنيان الشبكة القابلة للتدريب في CNNs إلى جعلهما مناسبين لهذا التطبيق. وفي هذه الدراسة، نقترح إطاراً عميقاً فعالاً لشبكات CNN التي تتيح الكشف السريع والمبكر عن خلايا سرطان الدم وتصنيفها من الصور المجهرية لمسح الدم. وبغية تصنيف الخلايا إما على أنها خلايا انفجارية )ALL( أو خلايا صحية) HEM(، وُضعت المشكلة كتحد للتصنيف الثنائي. وتم تقييم كل خلية على حدة وتصنيفها باستخدام هذا النهج. وفي هذه الدراسة، جرى تقييم مختلف البنيات القائمة على شبكة CNN باستخدام التعلم في مجال النقل.
وعلى وجه التحديد، قمنا بالتحقيق في أداء نماذج VGG16 و VGG19 و ResNet60 و ResNet101 و DensNet169. وتشير النتائج إلى أن نموذج DensNet169 فاق أداء النماذج الأخرى بمستوى دقة قدره 97.62 في المائة. وتبين هذه النتائج إمكانات التعلم عن طريق النقل وتفوق نموذج DensNet169 على تصنيف خلايا اللوكيميا بدقة وكفاءة في صور مسح الدم المجهرية

Issues also as CD.

Text in English and abstract in Arabic & English.