UR-Net:一个集成的ResUNet和基于注意力的图像增强和分类网络,用于无污染的白细胞
Sikai Zheng1, Xiwei Huang1, Jin Chen1
1Ministry of Education Key Laboratory of RF Circuits and Systems, Hangzhou Dianzi University, Hangzhou 310018, China.
Sensors (Basel, Switzerland)
|September 9, 2023
概括
这项研究介绍了UR-Net,这是一种用于分类无染色白细胞 (WBCs) 的新型模型. 通过将图像增强与分类相结合,它显著提高了这些具有挑战性的,未染色的细胞的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 不同的白细胞 (WBC) 计数提供了重要的疾病洞察力.
- 传统的染色WBC分类复杂且对环境因素敏感.
- 没有污点的白血球细胞由于不显眼的细胞核而存在分类挑战,需要进行图像增强.
研究的目的:
- 开发一个完整的模型,用于增强无染WBC分类.
- 解决计算机视觉任务中独立图像增强技术的局限性.
- 为了提高从未染色的样本自动化WBC分类的准确性.
主要方法:
- 提出了一个新的UR-Net模型,将基于ResUNet的图像增强网络与注意力机制和ResNet分类网络相结合.
- 在联合培训的分类模型中整合了增强模块.
- 使用无染色WBC图像进行培训和评估.
主要成果:
- 拟议的UR-Net模型在无染WBC数据集上实现了83.34%的分类性能.
- 与没有图像增强的模型和以前的增强分类模型相比,表现出优异的性能.
- 综合方法有效地提高了对具有挑战性的无染WBC图像的分类准确性.
结论:
- 图像增强和分类网络的联合培训显著提高了无染WBC的性能.
- UR-Net为准确和高效的自动化WBC分类提供了一个有前途的解决方案.
- 这种方法克服了传统方法和独立增强技术的局限性.
