基于空间引导学习网络的高效骨髓显微图像淋巴细胞白血病检测方法

本文提出了一种基于空间引导学习(SGLNet)的自动化白血病检测方法，通过构建高质量淋巴细胞白血病数据集(LLD-2024)，结合空间引导模块(SGB)、尺度感知融合(SAF)等创新技术，实现了急性淋巴细胞白血病(ALL)95.9%和慢性淋巴细胞白血病(CLL)98.6%的检测准确率(mAP)，为临床快速诊断提供了可靠工具。

　　

Highlight亮点

本研究首次将目标检测技术应用于淋巴细胞白血病诊断，开发的空间引导学习网络(SGLNet)在新建的LLD-2024数据集上表现出色。该框架通过空间分组注意力增强模块(SGB)提升特征表达能力，采用尺度感知融合(SAF)机制整合多尺度信息，配合高效交并比损失函数(EIoU)，有效解决了骨髓涂片中细胞形态异质性、染色不均等技术难题。

Sample preparation and data augmentation样本制备与数据增强

数据集来自武汉大学中南医院血液科2019-2022年间确诊的B淋巴细胞肿瘤患者骨髓(BM)形态学图像。通过严格筛选排除合并其他血液疾病病例，最终收集1794张高质量标注图像。采用多种数据增强技术提升显微图像质量，增强模型对复杂样本的泛化能力。

Implementation details实施细节

实验在配备NVIDIA TITAN RTX GPU的工作站上完成，基于PyTorch框架。输入图像统一调整为1280×1280分辨率，批量大小设为8，训练周期300轮，采用早停策略（验证集性能连续100轮未提升时终止）。

Discussion讨论

淋巴细胞白血病的精准早期诊断对改善预后至关重要。传统骨髓涂片分析依赖人工镜检，存在耗时长、主观性强等局限。SGLNet通过自动化检测显著提升诊断效率，其快速推理能力（1秒/样本）使其非常适合临床实时应用。值得注意的是，该方法不仅能区分ALL和CLL，还为后续精准分型和个性化治疗提供了重要支持。

Conclusions结论

研究表明，基于LLD-2024数据集训练的SGLNet框架在淋巴细胞白血病检测中达到领先水平。95.9%（ALL）和98.6%（CLL）的mAP值证实了其可靠性，高速推理特性使其具备临床转化潜力，可作为血液科医师的标准化辅助诊断工具。