MS-YOLO：用于血细胞检测的多尺度模型
计算机视觉与模式识别
2025-09-23 v2
摘要
完整的血细胞检测在临床诊断中具有重要价值。传统的手动显微镜方法存在时间效率低和诊断不准确的问题。现有的自动化检测方法受限于高部署成本和准确性不足。虽然深度学习为该领域引入了强大的范式，但检测重叠细胞和多尺度目标的挑战仍阻碍了实际部署。本研究提出了基于 YOLOv11 框架的多尺度 YOLO（MS-YOLO），通过引入三个关键的架构创新来提升检测性能。具体而言，多尺度膨胀残差模块（MS-DRM）取代原有的 C3K2 模块以提高多尺度辨别能力；动态跨路径特征增强模块（DCFEM）实现了来自骨干网络的层次特征与来自颈部的聚合特征的融合，以增强特征表示；轻量自适应权重下采样模块（LADS）通过自适应空间加权来改进特征下采样，同时降低计算复杂度。在 CBC 数据集上的实验结果表明，MS-YOLO 能够精确检测重叠细胞和多尺度目标，尤其是小目标如血小板，实现了 97.4% 的 mAP@50，超越了现有模型。在补充数据集 WBCDD 上的进一步验证也 confirms 其稳健的泛化能力。此外，由于轻量化的架构和实时推理效率，MS-YOLO 能满足临床部署要求，为标准化的血液病理评估提供可靠的技术支持。
引用
@article{arxiv.2506.03972,
title = {MS-YOLO: A Multi-Scale Model for Accurate and Efficient Blood Cell Detection},
author = {Guohua Wu and Shengqi Chen and Pengchao Deng and Wenting Yu},
journal= {arXiv preprint arXiv:2506.03972},
year = {2025}
}
备注
There is a disagreement among the authors regarding the content and submission of the manuscript, which needs to be resolved before it can be made public