Leukaemia is a type of blood cancer which mainly occurs when bone marrow produces excess white blood cells in our body. This disease not only affects adult but also is a common cancer type among children. Treatment of leukaemia depends on its type and how far the disease has spread in the body. Leukaemia is classified into two types depending on how rapidly it grows: acute and chronic leukaemia. The early diagnosis of this disease is vital for effective treatment and recovery. This paper presents an automated diagnostic system to detect acute lymphoblastic leukaemia (ALL) using a convolutional neural network (CNN) model. The model uses labeled microscopic blood smear images to detect the malignant leukaemia cells. The current work uses data obtained from the Acute Lymphoblastic Leukaemia Image DataBase (ALL_IDB) and performs various data augmentation techniques to increase the number of training data which in effect reduces the over-training problem. The model has been trained on 515 images using a fivefold validation technique achieving an accuracy of 95.54% and further tested on the remaining 221 images achieving almost 100% accuracy during most of the trials, maintaining an average of 99.5% accuracy. The method does not need any pre-processing or segmentation technique and works efficiently on raw data. This method can, hence, prove profitable for pathologist in diagnosing ALL efficiently.

白血病是一种血癌，主要发生在骨髓在我们体内产生过多的白细胞时。这种疾病不仅影响成人，也是儿童常见的癌症类型。白血病的治疗取决于其类型以及疾病在体内传播的程度。白血病根据其生长速度分为两种类型：急性白血病和慢性白血病。这种疾病的早期诊断对于有效治疗和康复至关重要。本文提出了一种使用卷积神经网络 (CNN) 模型检测急性淋巴细胞白血病 (ALL) 的自动诊断系统。该模型使用标记的显微血涂片图像来检测恶性白血病细胞。目前的工作使用从急性淋巴细胞白血病图像数据库 (ALL_IDB) 获得的数据，并执行各种数据增强技术来增加训练数据的数量，这实际上减少了过度训练的问题。该模型已经使用五重验证技术对 515 张图像进行了训练，达到 95.54% 的准确率，并在其余 221 张图像上进一步测试，在大多数试验中几乎达到 100% 的准确率，平均保持 99.5% 的准确率。该方法不需要任何预处理或分割技术，并且可以有效地处理原始数据。因此，这种方法可以证明病理学家在有效诊断 ALL 方面是有利可图的。该模型已经使用五重验证技术对 515 张图像进行了训练，达到 95.54% 的准确率，并在其余 221 张图像上进一步测试，在大多数试验中几乎达到 100% 的准确率，平均保持 99.5% 的准确率。该方法不需要任何预处理或分割技术，并且可以有效地处理原始数据。因此，这种方法可以证明病理学家在有效诊断 ALL 方面是有利可图的。该模型已经使用五重验证技术对 515 张图像进行了训练，达到 95.54% 的准确率，并在其余 221 张图像上进一步测试，在大多数试验中几乎达到 100% 的准确率，平均保持 99.5% 的准确率。该方法不需要任何预处理或分割技术，并且可以有效地处理原始数据。因此，这种方法可以证明病理学家在有效诊断 ALL 方面是有利可图的。