Generalised deep learning framework for HEp-2 cell recognition using local binary pattern maps

The authors propose a novel HEp-2 cell image classifier to improve the automation process of patients' serum evaluation. The authors' solution builds on the recent progress in deep learning based image classification. They propose an ensemble approach using multiple state-of-the-art architectures. They incorporate additional texture information extracted by an improved version of local binary patterns maps, $\alpha $alpha LBP-maps, which enables to create a very effective cell image classifier. This innovative combination is trained on three publicly available datasets and its general applicability is demonstrated through the evaluation on three independent test sets. The presented results show that their approach leads to a general improvement of performance on average on the three public datasets.

Majtner, TomasUniv Southern Denmark, Maersk McKinney Moller Inst, Odense, Denmark. (författare)
Lindblad, JoakimUppsala universitet,Bildanalys och människa-datorinteraktion,Avdelningen för visuell information och interaktion,Uppsala Univ, Dept Informat Technol, Ctr Image Anal, Uppsala, Sweden.(Swepub:uu)joali534 (författare)
Sladoje, NatasaUppsala universitet,Avdelningen för visuell information och interaktion,Bildanalys och människa-datorinteraktion,Uppsala Univ, Dept Informat Technol, Ctr Image Anal, Uppsala, Sweden.(Swepub:uu)namat934 (författare)
Univ Novi Sad, Fac Tech Sci, Novi Sad, Serbia.Univ Southern Denmark, Maersk McKinney Moller Inst, Odense, Denmark. (creator_code:org_t)

Ingår i:IET Image Processing: INST ENGINEERING TECHNOLOGY-IET14:6, s. 1201-12081751-96591751-9667

Av författaren/redakt...: Bajic, Buda; Majtner, Tomas; Lindblad, Joakim; Sladoje, Natasa

Om ämnet

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.