سامانه همایش‌ها TSTA | ثبت‌نام و ارسال مقاله کنفرانس‌ها و کنگره‌های ملی

صفحه اصلی / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

Robust Binary Differentiation of ALL vs. AML Using Deep Graph Convolutions

نویسندگان :

Mahsan Rahmani¹ Saeed Meshgini² Reza Afrouzian³

1- Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran Rahmani@tabrizu.ac.ir 2- Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran 3- Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

کلمات کلیدی :

Acute leukemia.،ALL;،AML;،graph convolutional networks;،microscopic smear analysis;،robust classification

چکیده :

Early triage of acute leukemia remains challenging due to subtle morphologic differences between lymphoid and myeloid blasts and the time-consuming nature of manual review. We present an end-to-end pipeline that integrates graph construction with a tailored deep convolutional architecture for automatic differentiation between acute lymphoblastic leukemia (ALL) and acute myeloid leukemia (AML). The dataset comprises smear images collected from 44 patients; images are resized and normalized, class imbalance is mitigated via GAN-based augmentation, and superpixel-level regions are used to build an adjacency graph whose node features summarize local intensities. A six-layer graph convolutional backbone with batch normalization, dropout, and a terminal softmax performs binary classification. Under a 70/20/10 split with 5-fold cross-validation, the model achieves strong and consistent performance (Accuracy 99.4%, Specificity 97.3%, Kappa 0.85), and remains robust when synthetic white noise is added (accuracy >90% at SNR = 0 dB). Comparative analyses against standard CNN/ResNet/VGG baselines indicate superior accuracy and stability, supporting the efficiency of graph- enhanced representations for this task. These results suggest a practical tool to support pathologists in rapid screening and referral. Future work will extend the framework to multi-class settings (including CML/CLL) and explore alternative augmentation strategies beyond GANs.

لیست مقالات

لیست مقالات بایگانی شده

Benchmarking nnU-Net vs. Custom 3D U-Net for Kidney Tumor Segmentation: A Controlled Study on KiTS19 Dataset

Ariya Soleimany - Masoud Noroozi - Mohammad Saber Azimi - Alireza Karimian - Jafar Majidpour - Hossein Arabi

شناسایی اسکولیوز ستون فقرات در تصاویرX-ray با استفاده از MobileNetV2

محمدصادق بابایی

چیستی و چگونگی شناسایی انجمن‌ها در شبکه‌های اجتماعی

غزاله حاجی آبادی - مجید عبدالرزاق نژاد

کاربرد هوش مصنوعی در بهینه سازی تولید و کاهش هدر رفت منابع

مریم مژده

The Impact of an Interactive Rehabilitation Protocol ‎on Reorganization of Brain Networks in Children ‎with Cerebral Palsy: A Pilot Study

Shahed Salehzehi - Mahdi Mollaei - Parisa Hosseini - Ali Koohian Mohammad abadi - Mohammad Ebrahim Hashemi - Hamid Reza Kobravi - Narges Hashemi - Mehran Beiraghi Toosi - Javad Akhondian

تاثیر ویژگی های هیئت مدیره بر ابهام در اطلاعات حسابداری شرکت ها

ابراهیم نویدی عباسپور - سمیه ملازاده طسمالو

Towards Accurate Multimodal Defformable Image Registration via Image Translation and Weak Supervision

Maryam Nasr - Mohammadreza Yazdchi - Mohsen Safdari

بررسی ارتباط بین کیفیت حسابرسی و عدم شفافیت اطلاعات با هزینه سرمایه

سمیه فرهادی - محمد رستمی

آینده حرفه حسابرسی در پرتو هوش مصنوعی و تکنولوژی های نوین

مهدی مرادزاده فرد - غلامحسین دوانی - پروانه خالقی

علیت بین توسعه مالی و نوع ابزارهای مالی از نظر مدیریت پرتفولیو

فاطمه خسروی

بیشتر