基于注意力CNN与数据增强的增强白血病细胞分类

我们提出了一个可复现的深度学习管道，用于白血病细胞分类，侧重于系统体系结构、实验鲁棒性和医学图像分析中的软件设计选择。急性淋巴细胞白血病（Acute lymphoblastic leukemia, ALL）是最常见的儿童癌症，需要专家显微镜诊断，但存在观察者间变异性和时间限制。所提系统集成了注意力机制的卷积神经网络，将EfficientNetV2-B3与Squeeze-and-Excitation机制结合，用于自动化ALL细胞分类。我们的方法采用全面的数据增强、焦点损失处理类别不平衡，并采用患者为单位的数据划分以确保可靠且可复现的评估。在C-NMC 2019数据集（12,528张来自62名患者的原始图像）上，该系统在测试集上实现了97.89%的F1分数和97.89%的准确率，通过100次蒙特卡罗实验的统计验证确认显著优于基线方法（p < 0.001）。该管道在使用89%更少参数（15.2M vs. 138M）的情况下，以最高可达4.67%的优势超越现有方法。注意力机制提供了诊断相关细胞特征的可解释可视化，表明现代注意力机制架构能够在保持适用于临床部署的计算效率的同时提高白血病细胞分类准确性。