基于CNN的双路径网络与自适应注意力机制在红细胞分类中的应用

《Journal of Imaging Informatics in Medicine》：CNN-Powered Dual-Path Network with Adaptive Attention for Red Blood Cell Classification

红血球形态分类模型CNN-DP-Att结合EfficientNetB3和DenseNet201双主干网络，采用CBAM注意力机制提升特征提取精度，在96%准确率下克服人工显微镜局限性，为临床实验室提供自动化诊断工具。

　　

摘要

准确分类红细胞（RBC）的形态亚型对于诊断和监测各种血液系统疾病至关重要。然而，不同细胞类型之间微妙而复杂的差异使得这项任务具有挑战性，人为解读错误往往难以避免。目前的研究正在不断推动这一领域的发展，尤其是在医学成像和深度学习方面。本文提出了一种新颖的CNN-DP-Att（带有CBAM注意力机制的双路径卷积神经网络）架构，该架构以EfficientNetB3和DenseNet201作为主干网络，并结合了卷积块注意力机制（CBAM）来提高对细微特征的提取能力。该架构在两种主干网络配置之间切换，同时保持相同的注意力机制和分类组件。第一种配置使用EfficientNetB3以较少的参数捕获详细信息，而第二种配置则通过DenseNet201提供的密集连接性提取更复杂的特征。“双路径”这一术语指的是在同一框架内整合了高分辨率特征提取路径和上下文特征提取路径。前者侧重于高分辨率的空间细节，后者则捕捉上下文信息。两种路径最终合并用于分类。CBAM注意力机制通过应用通道 attention 和空间 attention 来细化特征图。与单独使用的EfficientNetB3、DenseNet201以及其他最先进模型相比，CNN-DP-Att的精确度达到了96%。这得益于双主干架构的有效性以及注意力机制带来的特征细化效果。该系统能够准确识别和分类多种红细胞异常情况，克服了手动显微镜的局限性，为临床实验室提供了有用的工具。