对比的表示学习用于跨域血细胞图像分类与否定机制

科学领域:

• 血液学 血液学 血液学
• 医学图像分析 医学图像分析
• 机器学习 机器学习

背景情况:

• 准确的白细胞识别对于诊断血液疾病至关重要.
• 目前使用掩盖自动编码器 (MAE) 的方法与域移位和不准确的特征分布学习相斗争.
• 染色,照明和显微镜设置的变化挑战了现有模型的概括性.

研究的目的:

• 开发一个强大的框架,CD-CBC,用于跨域白细胞图像分类.
• 在不同的成像条件下提高血细胞分类模型的概括能力.
• 通过先进的图像分析,提高诊断血液恶性瘤和血液疾病的准确性.

主要方法:

• 拟议的CD-CBC框架整合了对比表示学习和拒绝机制.
• 使用基于LoRA的分段任何模型 (LoRA-SAM) 来减少背景噪音和血小板干扰.
• 采用了对比性掩盖自编码器 (CMAE) 来进行细粒度特征提取和空间关系建模.
• 引入了一个潜伏空间无声化机制来完善特征分布学习.

主要成果:

• 在血液细胞图像分类中实现了卓越的跨域性能.
• 达到62.47%的平均准确率,比最先进的性能高出3.17%.
• 在两个基准数据集中表现出强大的概括能力.

结论:

• CD-CBC有效地解决了血液细胞图像分类中的域转移挑战.
• 拟议的框架提高了血液病的诊断准确度.
• 该方法显示出在血液学中的实际临床应用的巨大潜力.