Arduino Nano 33 BLE Sense上的白血病檢測

描述

急性淋巴細胞白血病 Arduino Nano 33 BLE Sense 分類器是一項實驗，旨在探索如何使用低功率微控制器（特別是 Arduino Nano 33 BLE Sense）檢測急性淋巴細胞白血病。Arduino Nano 33 BLE Sense 是支持 Tensorflow Lite 的最新 Arduino 板，允許在 Arduino 上進行機器學習。

您將訓練的模型是一個 6 層卷積神經網絡，使用英特爾? oneAPI AI 分析工具包中的 英特爾? Optimization for Tensorflow*進行訓練，以優(yōu)化和加速訓練過程。

免責聲明

該項目應僅用于研究目的。該項目的目的是展示人工智能在診斷系統(tǒng)等醫(yī)療支持系統(tǒng)中的潛力。

盡管該模型是準確的，并且在紙上和現實世界的測試中都顯示出良好的結果，但它是在少量數據上訓練的，需要在更大的數據集上進行訓練才能真正評估它的準確性。

對此存儲庫做出貢獻的開發(fā)人員在使用人工智能檢測某些類型的癌癥方面具有經驗。他們不是醫(yī)生、醫(yī)學或癌癥專家。

動機

該項目的動機是探索如何使用 Arduino 等低功率設備來檢測急性淋巴細胞白血病。該項目將提交給 Tensorflow For Microcontroller Challenge 和 Eyes on Edge：tinyML Vision Challenge。

急性淋巴細胞白血病

急性淋巴細胞白血病 (ALL) ，也稱為急性淋巴細胞白血病，是一種影響淋巴樣血細胞譜系的癌癥。它是兒童最常見的白血病，占成人急性白血病的10-20%。自 1970 年代以來，成人尤其是兒童 ALL 的預后已顯著改善。兒童的 5 年生存率約為 95%。在成人中，5 年生存率在 25% 和 75% 之間變化，年輕患者的結果優(yōu)于老年患者。

有關急性淋巴細胞白血病的更多信息，請訪問我們的白血病信息頁面

ALL-IDB

您需要獲得使用急性淋巴細胞白血病圖像數據庫進行圖像處理數據集的訪問權限。您可以在此頁面上找到申請表和有關訪問數據集的信息，以及有關如何在此處回饋項目的信息。如果您無法獲得數據集的副本，請隨時在您自己的數據集上嘗試本教程，我們很樂意找到其他 AML 和 ALL 數據集。

克隆存儲庫

從Peter Moss Acute Myeloid & Lymphoblastic Leukemia AI Research Project Github 組織克隆ALL Arduino Nano 33 BLE Sense Classifier存儲庫。

要克隆存儲庫并安裝項目，請確保已安裝 Git。現在導航到要將項目克隆到的目錄，然后使用以下命令。

git clone https://github.com/AMLResearchProject/ALL-Arduino-Nano-33-BLE-Sense-Classifier.git

這將克隆所有 Arduino Nano 33 BLE Sense 分類器存儲庫。

ls

在主目錄中使用 ls 命令應該會顯示以下內容。

ALL-Arduino-Nano-33-BLE-Sense-Classifier

導航到ALL-Arduino-Nano-33-BLE-Sense-Classifier目錄，這是本教程的項目根目錄。

開發(fā)者分叉

想要為這個項目的開發(fā)做出貢獻的 Github 社區(qū)的開發(fā)人員應該首先創(chuàng)建一個 fork，然后克隆該存儲庫。有關詳細信息，請查看貢獻指南。您應該從開發(fā)分支中提取最新代碼。

git clone -b "2.0.0" https://github.com/AMLResearchProject/ALL-Arduino-Nano-33-BLE-Sense-Classifier.git

-b " 2.0.0"參數確保您從最新的 master 分支獲取代碼。在使用以下命令之前，請在項目 README 頂部的按鈕中查看我們最新的 master 分支。

安裝

您現在已準備好安裝 ALL Arduino Nano 33 BLE Sense Classifier 訓練器。所有軟件要求都包含在scripts/install.sh中。您可以從終端中的項目根目錄在您的機器上運行此文件。使用以下命令：

sh scripts/install.sh

警告：此腳本假定您尚未安裝 oneAPI Basekit。

警告：此腳本假定您尚未安裝 oneAPI AI Analytics Toolkit。

警告：此腳本假定您擁有 Intel GPU。

警告：此腳本假定您已經安裝了 Intel GPU 驅動程序。

提示：如果以上任何一項與您無關，請在運行前將安裝腳本中的相關部分注釋掉。

數據

您需要獲得使用急性淋巴細胞白血病圖像數據庫進行圖像處理數據集的訪問權限。您可以在此頁面上找到申請表和有關訪問數據集的信息，以及有關如何在此處回饋項目的信息。

如果您無法獲得數據集的副本，請隨時在您自己的數據集上嘗試本教程。

獲得數據后，您需要將其添加到項目文件系統(tǒng)中。你會注意到模型目錄中的數據文件夾，模型/數據，里面有訓練和測試。將 ALL_IDB1 數據集中的所有圖像添加到model/data/train文件夾。

數據增強

我們將基于TTP Thanh、Caleb Vununu、Sukhrob Atoev、Suk-Hwan Lee 和 Ki-Ryong Kwon使用卷積神經網絡進行的白血病血細胞圖像分類創(chuàng)建一個增強數據集。

應用測試數據

在數據處理階段，從數據集中移除十張負片和十張正片，并移至模型/數據/測試/目錄。這些數據在訓練過程中不會被網絡看到，而是用來測試模型的性能。

為確保您的模型獲得相同的結果，您應該使用相同的測試圖像。您也可以嘗試使用自己的圖像選擇，但結果可能會有所不同。

要指定使用哪些測試圖像，請修改configuration/config.json文件，如下所示：

"test_data": [
    "Im006_1.jpg",
    "Im020_1.jpg",
    "Im024_1.jpg",
    "Im026_1.jpg",
    "Im028_1.jpg",
    "Im031_1.jpg",
    "Im035_0.jpg",
    "Im041_0.jpg",
    "Im047_0.jpg",
    "Im053_1.jpg",
    "Im057_1.jpg",
    "Im060_1.jpg",
    "Im063_1.jpg",
    "Im069_0.jpg",
    "Im074_0.jpg",
    "Im088_0.jpg",
    "Im095_0.jpg",
    "Im099_0.jpg",
    "Im101_0.jpg",
    "Im106_0.jpg"
],

配置

所有配置都可以在configuration/config.json文件中找到。

{
    "agent": {
        "cores": 8,
        "ip": "",
        "port": 1234,
        "params": [
            "train",
            "classify",
            "server",
            "classify_http"
        ]
    },
    "data": {
        "dim": 100,
        "file_type": ".jpg",
        "labels": [0, 1],
        "rotations": 10,
        "seed": 2,
        "split": 0.255,
        "test": "model/data/test",
        "test_data": [
            "Im006_1.jpg",
            "Im020_1.jpg",
            "Im024_1.jpg",
            "Im026_1.jpg",
            "Im028_1.jpg",
            "Im031_1.jpg",
            "Im035_0.jpg",
            "Im041_0.jpg",
            "Im047_0.jpg",
            "Im053_1.jpg",
            "Im057_1.jpg",
            "Im060_1.jpg",
            "Im063_1.jpg",
            "Im069_0.jpg",
            "Im074_0.jpg",
            "Im088_0.jpg",
            "Im095_0.jpg",
            "Im099_0.jpg",
            "Im101_0.jpg",
            "Im106_0.jpg"
        ],
        "train_dir": "model/data/train",
        "valid_types": [
            ".jpg"
        ]
    },
    "model": {
        "model": "model/all_nano_33_ble_sense.json",
        "model_c_array": "model/all_nano_33_ble_sense.cc",
        "tfmodel": "model/all_nano_33_ble_sense.tflite",
        "weights": "model/all_nano_33_ble_sense.h5"
    },
    "train": {
        "batch": 100,
        "decay_adam": 1e-6,
        "epochs": 150,
        "learning_rate_adam": 1e-4,
        "val_steps": 10
    }
}

您應該更新以下值：

• agent->cores應該代表你的 CPU 擁有的核心數量。
• agent->ip應該是您將在其上運行測試服務器的機器的 IP。
• agent->port應該是您將在其上運行測試服務器的端口。

您可以根據需要修改 train 對象中的值，但是為確保獲得相同的結果，您可以保留它們的原樣。

訓練

現在您已準備好訓練您的模型。

指標

我們可以使用指標來衡量模型的有效性。在此網絡中，您將使用以下指標：

tf.keras.metrics.BinaryAccuracy(name='accuracy'),
tf.keras.metrics.Precision(name='precision'),
tf.keras.metrics.Recall(name='recall'),
tf.keras.metrics.AUC(name='auc')

一旦我們的模型被訓練，這些指標將被顯示和繪制。在處理指標時，一個有用的教程是Tensorflow 網站上的不平衡數據分類教程。

開始訓練

確保您已完成所有前面的步驟，您可以使用以下命令開始訓練。

python classifier.py train

這告訴應用程序開始訓練模型。您還可以使用 Jupyter Notebook 來訓練您的模型。如果您選擇這樣做，您可以在此處訪問 Notebook 。在此處查看文檔。

訓練數據

首先將準備訓練和驗證數據。

2021-07-18 17:42:26,075 - Classifier - INFO - Augmented data size: 1584
2021-07-18 17:42:26,075 - Classifier - INFO - Negative data size: 882
2021-07-18 17:42:26,076 - Classifier - INFO - Positive data size: 702
2021-07-18 17:42:26,076 - Classifier - INFO - Augmented data shape: (1584, 100, 100, 3)
2021-07-18 17:42:26,076 - Classifier - INFO - Labels shape: (1584, 2)
2021-07-18 17:42:26,267 - Classifier - INFO - Training data: (1180, 100, 100, 3)
2021-07-18 17:42:26,267 - Classifier - INFO - Training labels: (1180, 2)
2021-07-18 17:42:26,267 - Classifier - INFO - Validation data: (404, 100, 100, 3)
2021-07-18 17:42:26,267 - Classifier - INFO - Validation labels: (404, 2)
2021-07-18 17:42:26,267 - Classifier - INFO - Data preperation complete.

模型摘要

在模型開始訓練之前，您將看到模型摘要。

Model: "AllANBS"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
average_pooling2d (AveragePo (None, 50, 50, 3)         0
_________________________________________________________________
conv2d (Conv2D)              (None, 46, 46, 30)        2280
_________________________________________________________________
depthwise_conv2d (DepthwiseC (None, 17, 17, 30)        27030
_________________________________________________________________
flatten (Flatten)            (None, 8670)              0
_________________________________________________________________
dense (Dense)                (None, 2)                 17342
_________________________________________________________________
activation (Activation)      (None, 2)                 0
=================================================================
Total params: 46,652
Trainable params: 46,652
Non-trainable params: 0
_________________________________________________________________
2021-07-18 17:42:26,323 - Classifier - INFO - Network initialization complete.
2021-07-18 17:42:26,324 - Classifier - INFO - Using Adam Optimizer.
2021-07-18 17:42:26,324 - Classifier - INFO - Using Early Stopping.

培訓結果

下面是 28 個 epoch 的訓練結果。

圖 2. 準確度

圖 3. 損失

圖 4. 精度

圖 5. 召回

圖 6. AUC

圖 7. 混淆矩陣

2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: loss 0.2371470034122467
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: acc 0.9331682920455933
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: precision 0.9331682920455933
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: recall 0.9331682920455933
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: auc 0.9677298069000244
2021-07-18 17:47:56,536 - Classifier - INFO - Confusion Matrix: [[217   4] [ 23 160]]
2021-07-18 17:47:56,633 - Classifier - INFO - True Positives: 160(39.603960396039604%)
2021-07-18 17:47:56,633 - Classifier - INFO - False Positives: 4(0.9900990099009901%)
2021-07-18 17:47:56,633 - Classifier - INFO - True Negatives: 217(53.71287128712871%)
2021-07-18 17:47:56,633 - Classifier - INFO - False Negatives: 23(5.693069306930693%)
2021-07-18 17:47:56,633 - Classifier - INFO - Specificity: 0.9819004524886877
2021-07-18 17:47:56,633 - Classifier - INFO - Misclassification: 27(6.683168316831683%)

指標概述

精度 0.9331682920455933

召回 0.9331682920455933

精度 0.9331682920455933

AUC/ROC 0.9677298069000244

功績

真陽性 160 (39.603960396039604%)

誤報 4 (0.9900990099009901%)

真陰性 217 (53.71287128712871%)

假陰性 23 (5.693069306930693%)

靈敏度/召回率 0.9331682920455933 (93%)

特異性 0.9819004524886877 (98%)

測試

現在您將在訓練機上測試分類器。您將使用本教程前面部分中從訓練數據中刪除的 20 張圖像。

要在測試模式下運行分類器，請使用以下命令：

python3 classifier.py classify

您應該看到以下內容，其中顯示了網絡架構：

Model: "AllANBS"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
average_pooling2d (AveragePo (None, 50, 50, 3)         0
_________________________________________________________________
conv2d (Conv2D)              (None, 46, 46, 30)        2280
_________________________________________________________________
depthwise_conv2d (DepthwiseC (None, 17, 17, 30)        27030
_________________________________________________________________
flatten (Flatten)            (None, 8670)              0
_________________________________________________________________
dense (Dense)                (None, 2)                 17342
_________________________________________________________________
activation (Activation)      (None, 2)                 0
=================================================================
Total params: 46,652
Trainable params: 46,652
Non-trainable params: 0
_________________________________________________________________

最后，應用程序將開始處理測試圖像，結果將顯示在控制臺中。

2021-07-18 17:51:28,684 - Classifier - INFO - Loaded test image model/data/test/Im063_1.jpg
2021-07-18 17:51:28,804 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.12069535255432129 seconds.
2021-07-18 17:51:28,804 - Classifier - INFO - Loaded test image model/data/test/Im028_1.jpg
2021-07-18 17:51:28,838 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03429007530212402 seconds.
2021-07-18 17:51:28,839 - Classifier - INFO - Loaded test image model/data/test/Im106_0.jpg
2021-07-18 17:51:28,872 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03346753120422363 seconds.
2021-07-18 17:51:28,872 - Classifier - INFO - Loaded test image model/data/test/Im101_0.jpg
2021-07-18 17:51:28,906 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.034415245056152344 seconds.
2021-07-18 17:51:28,907 - Classifier - INFO - Loaded test image model/data/test/Im024_1.jpg
2021-07-18 17:51:28,939 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.032686471939086914 seconds.
2021-07-18 17:51:28,940 - Classifier - INFO - Loaded test image model/data/test/Im074_0.jpg
2021-07-18 17:51:28,972 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03266596794128418 seconds.
2021-07-18 17:51:28,973 - Classifier - INFO - Loaded test image model/data/test/Im035_0.jpg
2021-07-18 17:51:29,005 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.032935142517089844 seconds.
2021-07-18 17:51:29,006 - Classifier - INFO - Loaded test image model/data/test/Im006_1.jpg
2021-07-18 17:51:29,039 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03386235237121582 seconds.
2021-07-18 17:51:29,040 - Classifier - INFO - Loaded test image model/data/test/Im020_1.jpg
2021-07-18 17:51:29,076 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.0370943546295166 seconds.
2021-07-18 17:51:29,077 - Classifier - INFO - Loaded test image model/data/test/Im095_0.jpg
2021-07-18 17:51:29,109 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03277897834777832 seconds.
2021-07-18 17:51:29,110 - Classifier - INFO - Loaded test image model/data/test/Im069_0.jpg
2021-07-18 17:51:29,143 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03318381309509277 seconds.
2021-07-18 17:51:29,143 - Classifier - INFO - Loaded test image model/data/test/Im031_1.jpg
2021-07-18 17:51:29,175 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03194856643676758 seconds.
2021-07-18 17:51:29,176 - Classifier - INFO - Loaded test image model/data/test/Im099_0.jpg
2021-07-18 17:51:29,208 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.032364845275878906 seconds.
2021-07-18 17:51:29,208 - Classifier - INFO - Loaded test image model/data/test/Im026_1.jpg
2021-07-18 17:51:29,241 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03291964530944824 seconds.
2021-07-18 17:51:29,241 - Classifier - INFO - Loaded test image model/data/test/Im057_1.jpg
2021-07-18 17:51:29,276 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.035039663314819336 seconds.
2021-07-18 17:51:29,277 - Classifier - INFO - Loaded test image model/data/test/Im088_0.jpg
2021-07-18 17:51:29,312 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03563833236694336 seconds.
2021-07-18 17:51:29,313 - Classifier - INFO - Loaded test image model/data/test/Im060_1.jpg
2021-07-18 17:51:29,346 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03394198417663574 seconds.
2021-07-18 17:51:29,347 - Classifier - INFO - Loaded test image model/data/test/Im053_1.jpg
2021-07-18 17:51:29,383 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03695321083068848 seconds.
2021-07-18 17:51:29,384 - Classifier - INFO - Loaded test image model/data/test/Im041_0.jpg
2021-07-18 17:51:29,417 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03377509117126465 seconds.
2021-07-18 17:51:29,418 - Classifier - INFO - Loaded test image model/data/test/Im047_0.jpg
2021-07-18 17:51:29,450 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03243684768676758 seconds.
2021-07-18 17:51:29,450 - Classifier - INFO - Images Classified: 20
2021-07-18 17:51:29,450 - Classifier - INFO - True Positives: 10
2021-07-18 17:51:29,450 - Classifier - INFO - False Positives: 0
2021-07-18 17:51:29,450 - Classifier - INFO - True Negatives: 10
2021-07-18 17:51:29,450 - Classifier - INFO - False Negatives: 0
2021-07-18 17:51:29,450 - Classifier - INFO - Total Time Taken: 0.7630934715270996

在這里，我們利用英特爾? oneAPI AI 分析工具包中的英特爾? Optimization for Tensorflow* 訓練了一個用于急性淋巴細胞白血病檢測的深度學習模型，以優(yōu)化和加速訓練。我們引入了 6 層深度學習模型并應用數據增強來增加訓練數據。

我們以 150 個 epoch 為目標訓練我們的模型，并使用早期停止來避免過度擬合。該模型訓練了 29 個 epoch，導致擬合略有噪聲，但準確度/精度/召回率和 AUC 令人滿意。此外，該模型在對 20 個未見過的測試圖像中的每一個進行正確分類的測試期間反應良好。

阿杜諾

您需要確保已安裝以下軟件并遵循提供的指南：

• Ubuntu 安裝指南
• Python 使用指南或Jupyter Notebooks 使用指南
• Arduino IDE
• Arduino Nano 33 BLE Sense 入門
• 為什么 5V 引腳在 Arduino Nano 33 BLE 板中不起作用？

設置

按照上圖將您的 SD 卡讀卡器連接到 Arduino Nano 33 BLE Sense。

?

Arduino IDE

打開您的 Arduino IDE 并打開位于項目根目錄下 Arduino 文件夾中的all_nano_33_ble_sense草圖。

C 數組模型

現在您需要將您的 C 數組模型導入到 Arduino 項目中。在您的開發(fā)機器上導航到位于項目根目錄中的模型目錄并打開all_nano_33_ble_sense.cc文件。首先，您需要復制模型并將all_model[]{}中的所有內容替換為新創(chuàng)建的模型。接下來，您需要將all_model_len替換為模型文件底部的模型的實際長度。

測試數據

在訓練期間，測試數據被調整大小并移動到**model/data/test/**目錄。在繼續(xù)之前，您需要將這些文件上傳到 SD 卡。

運行分類器

現在是時候在 Arduino Nano 33 BLE Sense 上運行分類器了。確保您已連接到您的 Arduino 并單擊上傳按鈕。模型上傳后，它將開始運行，打開串行監(jiān)視器并觀察輸出。

19:22:40.139 -> Initialising SD card...
19:22:40.148 -> Initialisation done.
19:22:40.158 ->
19:22:40.163 -> Model input info
19:22:40.274 -> ===============
19:22:40.284 -> Dimensions: 4
19:22:40.299 -> Dim 1 size: 1
19:22:40.314 -> Dim 2 size: 100
19:22:40.328 -> Dim 3 size: 100
19:22:40.343 -> Dim 4 size: 3
19:22:40.354 -> Input type: 9
19:22:40.365 -> ===============
19:22:40.375 ->
19:22:40.381 -> Im006_1.jpg
19:22:40.458 -> ===============
19:22:40.468 -> ALL positive score: -7
19:22:40.483 -> ALL negative score: -18
19:22:40.504 -> True Positive
19:22:40.515 ->
19:22:40.521 -> Im020_1.jpg
19:22:43.194 -> ===============
19:22:43.201 -> ALL positive score: -14
19:22:43.223 -> ALL negative score: -6
19:22:43.229 -> False Negative
19:22:43.238 ->
19:22:43.241 -> Im024_1.jpg
19:22:45.916 -> ===============
19:22:45.922 -> ALL positive score: 18
19:22:45.928 -> ALL negative score: 24
19:22:45.938 -> False Negative
19:22:45.946 ->
19:22:45.950 -> Im026_1.jpg
19:22:48.680 -> ===============
19:22:48.685 -> ALL positive score: 27
19:22:48.695 -> ALL negative score: 24
19:22:48.705 -> True Positive
19:22:48.714 ->
19:22:48.719 -> Im028_1.jpg
19:22:51.409 -> ===============
19:22:51.416 -> ALL positive score: 13
19:22:51.427 -> ALL negative score: 18
19:22:51.439 -> False Negative
19:22:51.448 ->
19:22:51.454 -> Im031_1.jpg
19:22:54.138 -> ===============
19:22:54.148 -> ALL positive score: -13
19:22:54.164 -> ALL negative score: -16
19:22:54.179 -> True Positive
19:22:54.183 ->
19:22:54.188 -> Im035_0.jpg
19:22:56.883 -> ===============
19:22:56.890 -> ALL positive score: 12
19:22:56.901 -> ALL negative score: 20
19:22:56.908 -> True Negative
19:22:56.916 ->
19:22:56.921 -> Im041_0.jpg
19:22:59.631 -> ===============
19:22:59.640 -> ALL positive score: 14
19:22:59.653 -> ALL negative score: 6
19:22:59.663 -> False Positive
19:22:59.673 ->
19:22:59.679 -> Im047_0.jpg
19:23:02.365 -> ===============
19:23:02.373 -> ALL positive score: 25
19:23:02.384 -> ALL negative score: 20
19:23:02.393 -> False Positive
19:23:02.399 ->
19:23:02.404 -> Im053_1.jpg
19:23:05.160 -> ===============
19:23:05.174 -> ALL positive score: 39
19:23:05.190 -> ALL negative score: 5
19:23:05.202 -> True Positive
19:23:05.218 ->
19:23:05.223 -> Im057_1.jpg
19:23:07.881 -> ===============
19:23:07.896 -> ALL positive score: 6
19:23:07.912 -> ALL negative score: -1
19:23:07.928 -> True Positive
19:23:07.937 ->
19:23:07.942 -> Im060_1.jpg
19:23:10.618 -> ===============
19:23:10.630 -> ALL positive score: 25
19:23:10.648 -> ALL negative score: 12
19:23:10.661 -> True Positive
19:23:10.667 ->
19:23:10.673 -> Im063_1.jpg
19:23:13.359 -> ===============
19:23:13.368 -> ALL positive score: 23
19:23:13.382 -> ALL negative score: -52
19:23:13.400 -> True Positive
19:23:13.411 ->
19:23:13.417 -> Im069_0.jpg
19:23:16.097 -> ===============
19:23:16.108 -> ALL positive score: -4
19:23:16.129 -> ALL negative score: 34
19:23:16.148 -> True Negative
19:23:16.159 ->
19:23:16.164 -> Im074_0.jpg
19:23:18.812 -> ===============
19:23:18.819 -> ALL positive score: 22
19:23:18.834 -> ALL negative score: 18
19:23:18.850 -> False Positive
19:23:18.861 ->
19:23:18.867 -> Im088_0.jpg
19:23:21.564 -> ===============
19:23:21.575 -> ALL positive score: -21
19:23:21.594 -> ALL negative score: -24
19:23:21.613 -> False Positive
19:23:21.625 ->
19:23:21.630 -> Im095_0.jpg
19:23:24.274 -> ===============
19:23:24.284 -> ALL positive score: -33
19:23:24.302 -> ALL negative score: -38
19:23:24.321 -> False Positive
19:23:24.333 ->
19:23:24.339 -> Im099_0.jpg
19:23:27.014 -> ===============
19:23:27.025 -> ALL positive score: -46
19:23:27.042 -> ALL negative score: -22
19:23:27.062 -> True Negative
19:23:27.074 ->
19:23:27.080 -> Im101_0.jpg
19:23:29.769 -> ===============
19:23:29.779 -> ALL positive score: -17
19:23:29.796 -> ALL negative score: -14
19:23:29.816 -> True Negative
19:23:29.830 ->
19:23:29.837 -> Im106_0.jpg
19:23:32.530 -> ===============
19:23:32.545 -> ALL positive score: -42
19:23:32.562 -> ALL negative score: -45
19:23:32.587 -> False Positive
19:23:32.602 ->
19:23:32.609 -> True Positives: 7
19:23:34.833 -> False Positives: 6
19:23:34.844 -> True Negatives: 4
19:23:34.858 -> False Negatives: 3

結論

我們看到，在 Arduino 上運行時，可以正確分類所有 20 張圖像的模型僅獲得 11/20。我們可以采取一些額外的測試步驟，這些步驟將在 V2 中引入，這將使我們能夠在我們的開發(fā)機器上測試 Arduino 模型，以幫助確定錯誤的來源。目前，這是在 Arduino 上構建分類器以檢測急性淋巴細胞白血病檢測的首次嘗試。如果您想查看 Tensorflow Micro 存儲庫中持續(xù)存在的問題，請單擊此處，感謝Advait Jain對此問題的幫助。

貢獻

Asociación de Investigacion en Inteligencia Artificial Para la Leucemia Peter Moss 鼓勵并歡迎 Github 社區(qū)的代碼貢獻、錯誤修復和增強功能。

請閱讀CONTRIBUTING文檔以獲取有關分叉我們的存儲庫和提交您的拉取請求的完整指南。您還可以在行為準則文件中找到我們的行為準則。

貢獻者

• Adam Milton-Barker - Asociación de Investigacion en Inteligencia Artificial Para la Leucemia Peter Moss西班牙薩瓦德爾總裁/創(chuàng)始人兼首席開發(fā)人員

版本控制

我們使用SemVer進行版本控制。

執(zhí)照

這個項目是在MIT 許可下獲得許可的- 有關詳細信息，請參閱LICENSE文件。

錯誤/問題

我們使用repo 問題來跟蹤與使用此項目相關的錯誤和一般請求。有關如何提交錯誤、功能請求和建議的更多信息，請參閱CONTRIBUTING 。