基于大型多扫描器数据集的深层学习红细胞分割与分类

数字病理学近期因人工智能、深度学习和高性能计算的进展而得到革新。凭借先进工具，数字病理学有助于提高诊断效率，减少人为错误，并简化报告流程。本文报告了新的大型红细胞（RBC）图像数据集，并提出了一种用于 RBC 图像分割和分类的两阶段深度学习框架。该数据集包含超过 10 万个 RBC，涵盖八个不同的类别。该数据集规模显著超过任何公开可用的血液病理学数据集，由两位血液病理学家独立标注，并手动创建了 RBC 细胞分割掩码。随后，在提出的框架中，首先训练了 U-Net 模型以实现 RBC 图像的自动分割。然后采用迁移学习方法训练 EfficientNetB0 模型，对 RBC 图像进行八分类，使用 5X2 交叉验证方案。在测试集上，实现了 98.03% 的 IoU 和 96.5% 的平均分类准确率。此外，我们对比评估了多个著名 CNN 模型，比较结果显示所提出模型在性能和计算成本之间取得了良好平衡。