基于人类认知注意力机制的卷积神经网络的设计和开发,用于白血病的自动分类
Mohammad Zolfaghari1, Mohammad Saniee Abadeh1, Hedieh Sajedi2
1Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran.
PloS one
|February 19, 2026
概括
这项研究为人工智能驱动的白血病分类引入了新的注意力阻断,显著提高了从医疗图像中识别白细胞 (WBC) 的准确性. 拟议的MobileNetv4-PCAB模型实现了近乎完美的分类,优于现有的方法.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 白血病的鉴定依赖于手动的白细胞 (WBC) 分析,这是耗时且容易出现错误的.
- 使用人工智能 (AI) 和计算机视觉 (CV) 的自动化方法正在开发中,以提高白血病检测的准确性和效率.
- 现有的自动化方法在精确提取WBC微妙的结构和位置特征方面面临挑战.
研究的目的:
- 为卷积神经网络 (CNN) 引入新的注意力机制,即并行认知注意力区块 (PCAB) 和顺序认知注意力区块 (SCAB).
- 增强CNN的特征提取能力,以改善白血病分类.
- 评估基于注意力的CNN模型与不同白血病数据集的基线模型的性能.
主要方法:
- 开发了PCAB和SCAB,整合了道和空间注意力子块,以模仿人类视觉处理流.
- 在ResNet18和MobileNetv4架构中嵌入PCAB和SCAB.
- 在相同的条件下对四个白血病数据集 (ALL,ALL-IDB2,C-NMC,混合白血病) 进行了培训和测试,对基线和基于注意力的模型进行了测试.
主要成果:
- 移动Netv4-PCAB模型在所有测试的数据集中表现出卓越的性能.
- 获得的高准确率:100% (ALL),100% (ALL-IDB2),93.61% (C-NMC) 和99.4% (混合型白血病).
- 获得了优秀的F1分数:100% (ALL),100% (ALL-IDB2),95.64% (C-NMC) 和99.3% (混合型白血病).
结论:
- 拟议的PCAB和SCAB注意力阻塞显著提高了白血病分类的CNN性能.
- 移动Netv4-PCAB模型代表了一种最先进的方法,在准确性和效率方面超过了现有的方法.
- 这种人工智能驱动的方法有望通过血液细胞图像对白血病进行更可靠,更快的诊断.
