在外周血液中高效分化反应性淋巴细胞,使用具有大型核的多物体检测网络

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 血液学 血液学 血液学

背景情况:

• 反应性淋巴细胞,形态转变的白细胞,是病毒感染的关键指标.
• 手动检测这些细胞是劳动密集型,耗时,需要专门的专业知识.
• 计算机辅助诊断在提高白细胞分析的效率和准确性方面具有显著的前景.

研究的目的:

• 开发和应用一个先进的多对象检测网络,用于医疗图像中的反应性淋巴细胞和一般白细胞检测.
• 增强实用医学诊断场景的深度学习模型的能力.

主要方法:

• 实现空间到深度卷积 (SPD-Conv),以改善密集的小物体的检测.
• 集成动态大内核注意力 (DLKA) 机制,以更好地对细胞进行上下文建模.
• 开发一个非对称特征金字塔网络 (AFPN) 以实现强大的多尺度特征融合.
• 用了一种新的外周血液细胞数据集进行培训和验证.

主要成果:

• 在反应性淋巴细胞检测中获得了0.918的平均平均精度 (mAP50).
• 在检测所有白细胞时获得了0.907的mAP50.
• 证明了很好的模型解释性,有助于临床理解.
• 提供了一个新的数据集,以支持未来对外围血液细胞分析的研究.

结论:

• 拟议的深度学习模型在自动检测反应性淋巴细胞方面取得了重大进展.
• 新的网络架构有效地解决了检测小,密集的物体和融合多尺度特征的挑战.
• 这项工作为改善疾病诊断提供了有价值的工具,并为进一步的计算血液学研究提供了基础.