基于仿射变换卷积并行网络的HEp-2细胞分类方法研究及其在自身免疫疾病诊断中的应用

本文创新性地提出基于仿射变换的卷积并行网络(AT-CPN)，通过深度卷积生成对抗网络(DCGAN)实现高质量数据增强，结合ConvNext-RegNet双分支并行架构与仿射变换单元，显著提升HEp-2细胞分类准确率至84.2%。该模型参数精简，在抗核抗体(ANA)检测中展现出卓越的临床诊断价值，为系统性红斑狼疮等自身免疫疾病提供高效自动化诊断方案。

　　

Highlight

基于仿射变换的卷积并行网络(AT-CPN)通过双网络架构与动态数据增强技术，在HEp-2细胞分类任务中实现突破性进展，为临床抗核抗体检测提供智能化解决方案。

Affine transformation unit

当图像经历旋转、平移或缩放后，传统卷积网络的识别精度往往下降。我们提出两种解决方案：一是通过深度卷积生成对抗网络(DCGAN)增强样本多样性；二是在网络内部嵌入仿射变换单元，该单元能动态调整特征空间几何属性，有效提升模型对细胞形态变化的适应能力。实验证明，引入该单元后模型对边缘模糊的细胞样本识别准确率提升12.7%。

Data set sources and processing

本研究使用的HEp-2细胞样本由绵阳中心医院提供，包含六种阳性染色类型：均质型(Homogeneous)、着丝粒型(Centromere)、核仁型(Nucleolar)、胞浆型(Cytoplasmic)、致密颗粒型(Compact particle)和核膜型(Nuclear membrane)。通过局部互联系统(LIS)验证标注，原始jpg图像经DCGAN扩增后，训练集规模扩大5倍，同时保持细胞亚型分布平衡。

Experimental environment

硬件配置：Windows 10系统搭载NVIDIA RTX 3080Ti显卡，AMD Ryzen 7处理器；软件环境：PyTorch 1.8框架。输入图像统一缩放至224×224像素，batch size设为32，初始学习率0.001采用余弦退火策略调整。

Model architecture and hyperparameter settings

AT-CPN网络创新性地并联ConvNext与RegNet双主干：ConvNext分支采用分层transformer结构捕捉全局特征，RegNet分支通过动态宽度调节提取局部细节。两分支特征在空间注意力模块融合，配合DropPath(概率0.2)和Label Smoothing(系数0.1)策略，最终参数量仅21.3M，较ResNet50减少38%。

Concluding remarks

本研究三大创新点：1) 首创ConvNext-RegNet并联架构，提升对难分类细胞核型的识别能力；2) 嵌入可学习仿射变换单元，增强模型几何不变性；3) 采用DCGAN数据增强策略，小样本场景下分类准确率突破84%。临床测试显示，该模型将单例诊断时间从15分钟缩短至23秒，漏诊率降低至1.2%。