《Tissue and Cell》：ReVGG-R2Net: Optimized Recurrent Framework for Microscopic Blood Cell Segmentation
编辑推荐：
基于改进的VGG16编码器与R2U-Net解码器融合的ReVGG-R2Net模型在血细胞分割中表现优异，通过引入递归模块提升细粒度特征提取，配合新构建的包含感染与未感染样本的RaabinWBCSeg数据集，有效解决了密集细胞重叠和形态差异问题，在多个基准测试中达到SOTA精度。
Mst Shapna Akter | Md. Fahim Sultan | Tasmin Karim | Md. Shazzad Hossain Shaon
计算机科学与工程系，奥克兰大学，罗切斯特，密歇根州48309，美国
摘要
准确分割显微血液细胞图像对于推进生物医学分析和诊断至关重要。然而，现有的分割模型往往因数据集多样性有限以及难以捕捉精细的细胞细节而存在不足，尤其是在不同类型的细胞紧密排列的情况下。本文通过引入ReVGG-R2Net来解决这些挑战，这是一种专为精确分割多种血液细胞类型而设计的新型模型架构。ReVGG-R2Net在编码器和解码器中都集成了循环模块，增强了特征细化能力，从而能够捕捉复杂的细胞结构。编码器采用了改进的VGG16框架，并结合了循环特征，实现了有效的空间和上下文映射；而基于R2U-Net的解码器则利用循环特征融合来提高细胞密集区域的分割精度。此外，我们还提出了RaabinWBCSeg，这是一个包含广泛未感染和感染细胞类型的数据集，填补了现有基准测试的空白，并促进了细胞分割任务的泛化能力。我们在包括RaabinWBCSeg和BBBC041Seg在内的五个不同基准数据集上进行了大量实验，以全面评估该模型的性能。ReVGG-R2Net始终表现出最先进的（SOTA）性能。
引言
显微血液细胞成像是医学诊断的基石，它不仅能够对红细胞和白细胞等血液成分进行定性和定量分析，还能识别与疾病相关的异常（Jiang等人，2023年）。然而，手动显微镜检查耗时且劳动强度大，并且容易受到观察者之间和观察者内部差异的影响，因此自动化的血液细胞分割成为提高诊断效率和准确性的关键计算任务。深度学习显著改善了生物医学图像分割，尤其是像U-Net（Ronneberger等人，2015年）和R2U-Net（Ali等人，2023年）这样的编码器-解码器架构。然而，由于细胞分布密集、边界重叠以及细胞大小、形状和纹理的差异（尤其是在感染样本中），分割显微血液细胞仍然具有挑战性（Chen等人，2016年）。
相关医学成像任务的最新研究提出了应对这些挑战的潜在策略。例如，Ali等人（Ali等人，2023年）展示了多阶段方法可以有效处理不规则、重叠且形态多样的结构，这些问题与密集排列的血液细胞分割密切相关。这些框架的见解可能有助于改进所提出的ReVGG-R2Net，特别是在处理细胞聚集的情况下。同样，Naqvi等人（Naqvi等人，2024年）强调了变换器架构如何通过提高对低对比度和成像伪影的鲁棒性来补充基于CNN的模型。由于这些问题在显微血液细胞图像中也很普遍，整合先进的去噪策略可以加强预处理流程并提升分割性能。
传统方法往往难以精确划定细胞边界，主要依赖于基本特征融合或跳跃连接，这些方法无法捕捉到细微的结构变化。此外，现有的数据集主要集中在特定类型的细胞上，缺乏足够的多样性，限制了模型在现实临床场景中的泛化能力。解决这些限制至关重要，因为强大的分割模型可以显著提升自动化诊断系统，实现高通量的、一致的血液细胞分析，并提高对疟疾和白血病等疾病的检测能力。一个能够处理多种细胞类型和感染阶段的模型可以减少对人工注释的依赖，并提高临床实践中的诊断准确性。我们提出了ReVGG-R2Net，这是一种专为显微血液细胞分析设计的新分割模型。我们的模型在基于VGG16的编码器和R2U-Net解码器中集成了循环模块，允许迭代特征细化并改进空间-上下文学习。此外，我们还引入了RaabinWBCSeg，这是一个大规模、标注详尽的数据集，涵盖了多种类型的血液细胞，包括未感染和感染的细胞。该数据集解决了现有数据集的局限性，并增强了模型在复杂分割任务中的泛化能力：
- 1.
我们提出了ReVGG-R2Net，这是一种专门针对显微血液细胞分割需求设计的模型，它在基于VGG16的编码器和R2U-Net解码器中集成了循环模块。
- 2.
我们引入了RaabinWBCSeg，这是一个多样化的、标注详尽的数据集，解决了现有基准测试中的局限性，提高了模型在多种细胞类型和感染阶段下的泛化能力。
- 3.
我们进行了大量实验，证明ReVGG-R2Net实现了最先进的（SOTA）分割精度，为显微血液细胞分析树立了新的标杆。GitHub仓库
章节摘录
细胞分割技术
深度学习改变了生物医学可视化分割领域，其性能优于基于颜色的分割、k-means聚类和分水岭算法等旧方法，后者经常难以处理复杂结构和重叠的细胞（Alom等人，2018a；Follmann等人，2019；Makkapati和Rao，2009；Mandal等人，2010；Savkare等人，2016；Abdul Nasir等人，2012；Mohapatra等人，2011；Ghane等人，2017；Sharif等人，2012；Algailani和Hamad，2018；Sundara等人）
研究概述
分割在现代数据科学应用中至关重要，特别是在医疗领域，需要准确划分生物结构。本研究的基本目标是创建一个强大的分割框架，能够正确检测并突出显微图像中的单个细胞。如图1所示，该过程从从Raabin健康数据库获取数据集开始（Kouzehkanan等人，2022年）。随后进行预处理阶段以创建...
结果
我们在两个基准数据集RaabinWBCSeg和BBBC041Seg上评估了ReVGG-R2Net的性能，并将其与最先进的分割模型（包括U-Net、U-Net++、R2U-Net和Attention U-Net）进行了比较。表1总结了各项指标的定量结果，包括准确率、Dice系数、Jaccard指数、精确度和F1分数。ReVGG-R2Net在所有指标上均优于竞争模型，在RaabinWBCSeg上的Dice系数达到了92.8%，在BBBC041Seg上达到了96.2%
讨论
本研究介绍了ReVGG-R2Net，这是一个强大的医学图像分割框架，旨在改进新发布的RaabinWBCSeg数据集中的白细胞图像分析。尽管文献中提出了许多分割模型，但我们的ReVGG-R2Net的独特之处在于它集成了三个互补组件：VGG16编码器、循环细化模块和R2U-Net解码器。VGG16编码器提供了强大的分层特征提取...
结论
在这项研究中，我们提出了ReVGG-R2Net，这是一种基于循环的VGG16框架，结合了R2U-Net解码器，实现了精确可靠的显微血液细胞分割。为了解决大型高质量标注数据集稀缺的问题，我们进一步引入了RaabinWBCSeg，这是一个新策划的、多样化且标注详尽的数据集，专门用于增强模型的泛化能力并支持先进生物医学分割技术的发展。在...
CRediT作者贡献声明
Mst Shapna Akter：写作——审稿与编辑、初稿撰写、可视化、监督、软件开发、方法论、调查、形式分析、数据管理、概念化。Tasmin Karim：写作——审稿与编辑、初稿撰写、软件开发、资源管理、方法论、形式分析、数据管理、概念化。Md. Fahim Sultan：写作——审稿与编辑、初稿撰写、验证、软件开发、方法论、形式分析、数据管理、概念化。
