基于深度学习的骨髓细胞图像分类研究

摘要

当前，造血系统疾病的诊治面临着诸多挑战，其中对骨髓细胞形态与数量的精确分析是实现准确诊断的关键环节。传统的检查手段主要依赖于人工操作，效率和精度受到制约，难以满足现代医疗诊断的严苛要求。针对骨髓细胞图像分类的挑战，本研究利用深度学习技术，优选了Vision Transformer(ViT)作为基础模型，对其分类进行深入研究。为进一步优化模型的分类性能，创新设计了一个基于卷积的Input Embedding模块。该模块巧妙地结合了卷积神经网络的优势和注意力机制的长处，从而更有效地捕捉和编码骨髓细胞图像中的关键特征。通过融合Input Embedding模块，改进后的模型(Rc-ViT)在处理各种骨髓细胞图像时展现出了更高的精确性。实验结果表明，与原ViT模型相比，Rc-ViT的准确率提升了0.024 9,性能显著增强。特别是在处理数据量较少的细胞类别时，精确率和召回率分别提升了0.036 0和0.150 0,不仅验证了该方法在增强模型对少数类别细胞识别上的有效性，而且减少了数据量不足对特征学习的影响。此外，该模型在细胞分类的准确性和一致性方面也取得了显著进步，为医疗诊断的可靠性和重复性提供了有力支持。

关键词

深度学习 / 骨髓细胞图像 / Vision Transformer模型 / 注意力机制