基于深度学习的自动化高通量数字显微镜开发，用于提升血液涂片成像质量

《Microscopy Research and Technique》：Development of Automated High-Throughput Digital Microscopy With Deep Learning for Enhanced Blood Smear Imaging

自动化高吞吐量光学显微镜通过集成Laplacian方差自对焦机制与Mobile ViT轻量化模型，实现10张血液涂片40倍物镜下的实时精准成像，Mobile ViT在99.28%准确率上显著优于VGG-16，有效提升显微诊断效率与可靠性。

　　

摘要

显微镜在科学研究和医学研究中至关重要，它能够放大肉眼无法看到的样本。传统的图像获取方法需要病理学家或技术人员手动调整显微镜的焦距，并一次检查一张载玻片，这一过程非常繁琐，尤其是在医疗紧急情况下。然而，传统显微镜的手动调焦常常会导致人为错误、图像漂移和操作人员疲劳。因此，本研究旨在设计并开发一种自动化的高通量光学数字显微镜设备，能够批量连续扫描和捕获10张外周血涂片图像，目标镜头放大倍数为40倍。在高倍率显微镜中保持焦距尤为重要，因为它们对振动非常敏感，振动可能会使图像变得模糊。本文提出了一种结合光学组件和深度学习算法的自动调焦系统，用于实时图像采集。通过利用预训练的VGG-16和Mobile Vision Transformer（ViT）模型进行迁移学习，该系统克服了从零开始训练卷积神经网络（CNN）的计算挑战。通过在较小的数据集上微调模型的上层结构，系统能够高效地学习特定任务的特征，同时减少计算量、时间消耗和过拟合现象。Mobile ViT模型的准确率达到了99.28%，证明了其作为获取清晰图像的更可靠、更高效模型的优势。这种方法提高了图像的清晰度、可靠性和稳定性，增强了显微成像的效率。这一先进系统为生物医学成像诊断和显微分析技术的进步提供了实用的解决方案。

亮点

• 本文介绍了一种自主研发的高通量光学数字显微镜，能够批量连续扫描和捕获10张血涂片的图像。
• 开发了一种自主设计的3D打印显微镜光学组件支架，其中集成了CMOS相机和二维码相机，并与40倍放大率的物镜相结合。
• 引入了基于拉普拉斯方差的自动调焦机制，用于判断图像是否对焦清晰。
• 使用预训练的轻量级模型Mobile ViT和VGG-16进行实时图像采集，从而提高了图像的清晰度和对焦效果。
• Mobile ViT的准确率为99.28%，优于VGG-16模型，使其在获取清晰图像方面更加可靠。
• 该系统提高了显微成像的效率，减少了人为错误，降低了操作人员的疲劳程度，从而提高了诊断的可靠性。

利益冲突

作者声明没有利益冲突。

数据可用性声明

如需获取支持本研究结果的数据，可向相应作者提出合理请求。