DAFFNet：用于白血细胞分类的双注意力特征融合网络
计算机视觉与模式识别
2024-05-28 v1
摘要
白血细胞（WBC）的精确分类对于诊断血液相关疾病至关重要。然而，临床环境中的手动分析既耗时又费力，还容易出错。许多研究采用机器学习和深度学习技术实现客观化的WBC分类，但这些研究未充分利用WBC图像的信息。因此，我们的动机是全面利用WBC图像的形态信息和高层次语义信息，以实现WBC的准确分类。本文提出一种新型双分支网络双注意力特征融合网络（DAFFNet），首次将WBC的高层次语义特征与形态特征融合以实现准确分类。具体而言，我们引入双注意力机制，使模型更全面地利用图像的通道特征和空间局部特征。提出由形态属性预测器（MAP）和形态属性编码器（MAE）组成的形态特征提取器（MFE），用于提取WBC的形态特征。我们还实现了深度监督学习（DSL）和半监督学习（SSL）训练策略以增强MAE的性能。我们提出的网络框架在六个公开数据集PBC、LISC、Raabin-WBC、BCCD、LDWBC和Labelled上分别实现了98.77%、91.30%、98.36%、99.71%、98.45%和98.85%的总体准确率，显示出优于现有研究的显著效果。结果表明，结合高层次语义特征和低层次形态特征的WBC分类具有重要意义，为在显微血细胞图像中实现客观化和准确的WBC分类奠定了基础。
引用
@article{arxiv.2405.16220,
title = {DAFFNet: A Dual Attention Feature Fusion Network for Classification of White Blood Cells},
author = {Yuzhuo Chen and Zetong Chen and Yunuo An and Chenyang Lu and Xu Qiao},
journal= {arXiv preprint arXiv:2405.16220},
year = {2024}
}