编辑推荐：
为解决白细胞分割精度低的问题，研究人员开展基于 U-Net 的深度学习网络 DRA-Net 研究。实验显示，在自建数据集和 Kaggle 公开数据集上，DRA-Net 的 IoU 和 Dice 指标均有显著提升，验证了其有效性，推动医学图像分割技术发展。
在医学和生物学的奇妙世界里，白细胞（White Blood Cells，WBCs）就像是人体免疫系统的忠诚卫士，时刻守护着我们的健康。它不仅能抵御各种感染和疾病的侵袭，还是许多疾病的重要生物标志物。然而，传统的白细胞识别方法却面临着诸多困境。以往主要依靠人工操作和经验判断，这不仅耗费大量时间，而且结果很容易受到人为因素的影响，就像戴着有色眼镜看东西，难以做到精准无误。
随着计算机技术的飞速发展，计算机视觉和机器学习技术逐渐在医学领域崭露头角，基于图像处理和深度学习的医学图像分析方法成为了研究的热门方向。其中，医学图像分割至关重要，它就像是从一幅复杂的拼图中准确找出特定的碎片，通过将图像划分成特征相对统一的小部分，帮助人们更好地理解图像。但白细胞分割可不是一件容易的事，它面临着重重挑战，比如染色过程中产生的杂质干扰视线，图像对比度低使得白细胞的边界模糊不清，不同染色条件下白细胞的外观还会发生变化，这些都给准确分割带来了极大的困难。
在白细胞分割方法的探索之路上，研究人员一直在不断努力。现有的方法主要分为监督学习和无监督学习两类。无监督学习不需要标记数据，模型就像一个探险家，自己在数据中寻找隐藏的规律和结构，其中最有效的是无监督聚类方法。而监督学习则是基于已有数据集，利用输入和输出之间的已知关系来训练模型，寻找最优解，白细胞分割问题通常被看作是分类问题。不过，传统的分类器，如逻辑回归（Logistic Regression，LR）、k 近邻算法、随机森林（Random Forest，RF）等，由于对图像的表示能力较弱，在大规模图像数据集上很难达到较高的分类精度。
随着深度学习技术的崛起，卷积神经网络（Convolutional Neural Networks，CNNs）在医学图像分割任务中占据了主导地位。U-net 作为一种特殊的全卷积网络，通过收缩路径和扩展路径形成对称的 U 形结构，在医学图像分割中表现出色。基于 U-net，研究人员又提出了许多改进模型，如 UNet++、Res-unet、SAR-U-Net 等。近年来，随着视觉变换器（Vision Transformers，ViT）在医学图像处理中的应用，一系列结合 U-net 和 ViT 的网络模型也相继出现，像 Transunet、DA-TransUNet、基于 Swin Transformer 的 Swin-UNet 等。尽管如此，目前的一些注意力机制，如 SENet、ECA-Net、Triplet Attention 等，并非专门为医学图像分割领域设计，在全局上下文连接方面存在明显不足，急需进一步改进。
为了攻克这些难题，来自未知研究机构的研究人员开展了一项关于白细胞分割的重要研究，他们提出了一种基于残差双注意力的改进 U-net 白细胞分割网络 ——DRA-Net（Dual Residual Attention Network）。该研究成果发表在《Digital Signal Processing》上，为医学图像分割领域带来了新的希望。
研究人员在这项研究中运用了多种关键技术方法。他们使用 Windows 11 操作系统，配备高性能的硬件设施，包括 64.0GB 内存、12 代 Intel (R) Core (TM) i5 - 12400F 处理器以及 NVIDIA GeForce RTX 3060 显卡（12GB 内存）。基于 PyTorch 开源框架搭建模型，对数据集进行归一化预处理，采用 1e - 4 的权重衰减和 6 个样本的小批量大小来计算梯度更新。
下面我们来看看具体的研究结果：
- 整体框架优势：DRA-Net 基于 UNet 架构，受 ECA-Net 和 Triplet Attention 启发而设计。它的方法论包含三个关键部分：上下文信息传输、高效通道重注意力和维度空间注意力。通过上下文信息传输，在降维前提取的特征得以传递和对齐，为后续分析提供更丰富的信息。
- 编码模块改进：在编码模块中，高效通道注意力（Efficient Channel Attention，ECA）模块与卷积块和残差块的下层相连。这样的设计就像是给网络安装了一个 “精准探测器”，能够更有效地提取特征信息，增强网络对不同通道特征的捕捉能力。
- 解码模块优化：解码模块通过 Triple Vision 模块与卷积块的上层相连，这一设计巧妙地消除了通道和权重之间的间接对应关系，使得网络能够更好地提取和融合多尺度特征，大大提升了网络的性能和效率。
- 实验性能卓越：研究人员使用公开的 Kaggle 数据集（来自巴塞罗那医院临床核心实验室）和自建的 DML-LZWH（Liuzhou Workers' Hospital Medical Laboratory，柳州工人医院医学实验室）数据集进行医学图像分割实验。在自建的 DML-LZWH 数据集中，与 U-Net 网络模型相比，DRA-Net 的交并比（Intersection over Union，IoU）提高了 3%，骰子系数（Dice）提高了 2.3%；在 Kaggle 公开数据集中，IoU 提高了 4.3%，Dice 提高了 3.1%。与当前最先进的（DA-TransUNet）模型相比，DRA-Net 也展现出显著的性能提升。
从研究结论和讨论部分来看，DRA-Net 通过设计上下文信息传输模块，有效增强了特征编码器的多尺度图像特征提取能力。同时，与 ECA 模块的结合，进一步提升了模型捕捉重要特征的能力。在特征解码器方面，DRA-Net 也进行了优化，使其性能得到进一步提升。这一系列改进使得 DRA-Net 在白细胞分割任务中表现出色，具有很强的鲁棒性和泛化能力。该研究成果为医学图像分割领域提供了一种更精准、高效的方法，有助于医生更准确地分析白细胞图像，为疾病诊断和治疗提供更可靠的依据，对推动医学发展具有重要意义。
