基于改进YOLOv11n-seg的白细胞图像分割

摘要

为给白血病等疾病精准诊断提供重要依据并提高人工镜检效率，研究了基于计算机视觉的白细胞图像分割方法。针对白细胞图像亚型形态差异小、细胞密集重叠和样本类别不均衡等挑战，提出增强多尺度通道注意力YOLO分割方法(EMCA-YOLO)。研究对YOLOv11n-seg进行了3组独立改进：1)采用风车形卷积(PConv)替换主干网络中的Conv模块；2)采用多认知视觉适配器(Mona)替换C3k2模块；3)在主干网络中嵌入EMCA注意力机制。通过对比实验验证各模块效果，最终确定EMCA-YOLO为最优结构。实验使用包含8 506张显微图像的数据集，涵盖嗜碱性粒细胞、嗜酸性粒细胞、淋巴母细胞、淋巴细胞、单核细胞、中幼粒细胞、中性粒细胞共7类白细胞，并通过随机旋转、翻转、椒盐噪声注入等数据增强技术提升模型泛化性能。测试结果表明，改进后的EMCA-YOLO模型在召回率R,mAP50,mAP50～95指标上相较原始模型分别提升了0.004,0.004,0.006,在细胞密集场景下的分割效果提升尤为显著。

关键词

白细胞 / 图像分割 / YOLOv11n-seg / 注意力机制