采用CNN驱动的双路径网络,对红细胞分类有适应性注意力
Mouna Saadallah1, Latefa Oulladji2, Farah Ben-Naoum2
1Evolutionary Engineering and Distributed Information Systems Laboratory, Department of Computer Science, Djillali Liabes University, Sidi Bel Abbes, 22000, Algeria. mouna.saadallah@univ-sba.dz.
Journal of imaging informatics in medicine
|December 2, 2025
概括
一个新的深度学习模型准确地分类红细胞形态,改善了血液学疾病的诊断. 这种带有注意力的双路CNN可以达到96%的精度,超过现有方法.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的红细胞形态分类对于诊断血液学疾病至关重要.
- 人类对红细胞形态的解释容易出现错误,原因是细微的细胞差异.
- 深度学习和医学成像为自动化红细胞分析提供了有前途的途径.
研究的目的:
- 引入一种新的深度学习架构,CNN-DP-Att,用于增强RBC形态分类.
- 利用双路径网络和注意力机制来改善特征提取.
- 与现有方法相比,为了实现更高的分类准确度.
主要方法:
- 开发了一个双路径卷积神经网络 (CNN-DP-Att),使用EfficientNetB3和DenseNet201作为骨干.
- 集成了卷积块注意力机制 (CBAM) 进行精细的特征图分析.
- 实现了交替的骨干配置,以捕捉高分辨率的细节和上下文特征.
主要成果:
- CNN-DP-Att模型的精度达到了96%,超过了独立的EfficientNetB3,DenseNet201和其他最先进的模型.
- 双路径架构有效地结合了高分辨率和上下文特征提取.
- 该CBAM注意力机制显著改善了功能改进.
结论:
- 该CNN-DP-Att模型在分类红细胞形态亚型方面表现出卓越的性能.
- 这种深度学习方法为识别红细胞异常提供了强大的工具,克服了手动显微镜的局限性.
- 该系统对诊断和监测血液病的临床实验室具有潜力.
