基于YOLO框架的血细胞自动计数研究

摘要：

血细胞检测和计数是血液检验中的一项重要内容,大量细胞显微图像形态多样、目标较小且背景复杂,自动识别血细胞仍然是一项具有挑战性的任务.为解决血细胞检测中复杂小目标识别问题,基于一阶段深度检测YOLO框架,提出了一种新颖的YOLO-Dense网络模型.通过使用K-means算法对锚框进行聚类,获得三种不同大小的潜在待识别目标的锚框,并在YOLO基础网络中引入残差模块和特征金字塔的多尺度模块,以提高对小目标的识别精度;通过跳层连接进行残差训练,有效解决深度网络梯度弥散和爆炸等问题;通过在网络架构中增加密集连接模块,使得提出的模型能够有效提升网络推断速度.实验结果表明:YOLO-Dense网络均值平均精度mAP和检测时间分别为0.86和24.9 ms.相比Faster R-CNN和原始的YOLO网络,YOLO-Dense模型在血细胞检测上取得了最好的性能.

关键词：血液检验、血细胞计数、深度学习、目标检测、YOLO

所属期刊栏目：56

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金No.61872004

在线出版日期：2020-07-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：98-103