SG-CLDFF：用于自动白细胞分类与分割的新型框架
计算机视觉与模式识别
2025-10-21 v1
摘要
显微图像中白细胞（WBC）的准确分割与分类对多种血液疾病的诊断与监测至关重要，但受染色变异、复杂背景和类别不平衡等因素影响仍具有挑战性。本文提出了一种显著性引导跨层深度特征融合框架（SG-CLDFF），将显著性驱动的预处理与多尺度深度特征聚合紧密结合，以提升白细胞分析的鲁棒性与可解释性。SG-CLDFF 首先计算显著性先验以突出候选 WBC 区域并指导后续特征提取；采用轻量级混合主干网络（EfficientSwin 风格）生成多分辨率表示，再由受 ResNeXt-CC 启发的跨层融合模块进行融合，以保留浅层与深层中的互补信息。网络在多任务设置下训练，并行配备分割与细胞类型分类头，使用类别感知加权损失和显著性对齐正则化来缓解不平衡并抑制背景激活。通过 Grad-CAM 可视化与显著性一致性检查来强制可解释性，使模型决策可在区域层面被检验。我们在标准公开基准数据集（BCCD、LISC、ALL-IDB）上验证了该框架，与强 CNN 和 Transformer 基线相比，在 IoU、F1 和分类准确率上均报告了持续提升。消融实验也展示了显著性预处理和跨层融合各自的贡献。SG-CLDFF 为临床工作流中更可靠的自动化白细胞分析提供了一条实用且可解释的路径。
引用
@article{arxiv.2510.17278,
title = {SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation},
author = {Mehdi Zekriyapanah Gashti and Mostafa Mohammadpour and Ghasem Farjamnia},
journal= {arXiv preprint arXiv:2510.17278},
year = {2025}
}