从微观涂抹图像使用U-Net细分和轻量级的CNN进行高效的血细胞分类
Sohag Kumar Mondal1, Md Simul Hasan Talukder2, Mohammad Aljaidi3
1Electrical and Electronic Engineering, Khulna University of Engineering and Technology, Khulna, Bangladesh. ssohagkumar@gmail.com.
Scientific reports
|December 26, 2025
概括
这项研究引入了一种自动化的深度学习系统,用于从显微镜图像中分类9种血细胞类型,提高血液疾病的诊断效率. 该系统在细胞细分和分类方面都实现了高精度.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 手动血细胞分类是劳动密集型和易出错的,阻碍了白血病和贫血等疾病的及时诊断.
- 需要自动化系统来提高血液细胞分析的速度和准确性.
研究的目的:
- 开发和评估基于深度学习的自动化系统,用于从显微镜图像中分类9种类型的血细胞.
- 提高血液细胞计数和疾病诊断分类的准确性和效率.
主要方法:
- 利用U-Net进行血细胞的语义细分,然后使用分流算法来分离重叠的细胞.
- 开发了一个定制的轻型卷积神经网络 (LWCNN),命名为BloodCell-Net,用于分类单个细分细胞.
- 采用图像预处理技术,包括调整尺寸,调整尺寸,对比度增强和增强.
主要成果:
- 该U-Net细分模型实现了高性能,98.23%的准确性,98.40%的精度,95.97%的交叉在欧盟 (IOU).
- 血液细胞网络分类器在9种血细胞类型中表现出卓越的准确性 (97.10%),精度 (97.19%),回忆力 (97.01%) 和F1评分 (97.10%).
- 使用5倍交叉验证来确保模型的概括性,并减少过拟合.
结论:
- 拟议的深度学习系统为血液细胞分类和计数提供了准确和高效的自动化解决方案.
- 这种自动化方法有可能在早期诊断和管理各种血液学疾病方面发挥重要作用.
- 血液细胞网方法为分析微观血涂片图像提供了强大的方法.


