《Tissue and Cell》：CRViT-YOLO: A Method for Multi-Morphological Blood Cell Detection Using Convolution-Restructured Vision Transformer
编辑推荐：
血细胞计数对医学诊断至关重要，但传统手动检测效率低且易出错。本文提出CRViT-YOLO框架，在YOLOv9基础上引入CNN重构的视觉Transformer模块和特征增强模块，结合EIoU损失函数优化多尺度目标检测，在四个数据集上达到93.9%-99.4%的mAP@50成绩，有效解决重叠细胞和尺度差异问题。
杜雅宁|马玉亮|佘青山|席旭刚
杭州电子科技大学自动化学院，中国浙江省杭州市310018
摘要
全血细胞计数在医学诊断中起着关键作用；然而，传统的手动检查耗时且容易出错，因为数据来源、图像质量、细胞形态和染色特性存在差异。深度学习作为一种有前景的解决方案，可以提高血细胞检测的准确性和效率。在这项研究中，我们提出了基于YOLOv9架构的新型检测框架CRViT-YOLO。该框架结合了卷积重建视觉变换器（CRViT）模块，通过有效捕获局部和全局上下文信息来改进特征提取。此外，引入了特征增强模块（FEM）来细化局部特征表示，而EIoU损失函数的集成提高了定位精度，特别是在不同尺度和类型的密集或重叠细胞中，并在检测多态性、健康和病理细胞方面表现出强大的性能。在四个公开可用的数据集——BCCD、BCDD、LISC和BBBC041上进行的广泛实验验证了所提出方法的有效性和泛化能力，在多类血细胞检测任务中分别实现了93.9%、99.4%、98.8%和76.0%的平均精度（mAP@50）。
引言
血细胞分析在常规医学检查中起着关键作用。通过量化和评估血液样本中主要细胞成分（如红细胞（RBCs）、白细胞（WBCs）和血小板的数量、形态和功能，它为疾病诊断、治疗计划和预后评估提供了重要信息（Zuin等人，2022年）。传统分析主要依赖于经过培训的技术人员的手动显微镜检查，这既费力又容易因操作者疲劳和专业知识不足而遗漏或错误检测。尽管电阻抗、光学散射、光电比色法和多参数集成技术等自动化方法可以实现快速的血细胞检测，但这些系统成本高昂，通常需要专门的操作培训（Chao等人，2022年；Han等人，2023年）。这些局限性突显了传统方法在满足现代高效和高精度医学诊断需求方面的不足。因此，使用显微镜成像进行快速高效的血细胞检测仍然具有重要的实际价值。
目前，深度学习在医学成像领域得到了广泛应用（Wang等人，2024a；Huo等人，2025年；Jiang等人，2025年）。现有研究主要集中在利用从医学成像设备获取的图像来辅助诊断，包括病变分割（Lin等人，2025年；Robert等人，2025年；Satish等人，2025年；Molina-Moreno等人，2025年；Vercio等人，2022年；Tan等人，2023年）、医学对象检测（Chen等人，2022年；Wang等人，2023a；Lee等人，2022年；Shi等人，2024年；Sheng等人，2020年）以及其他应用（Lv等人，2025年；Liu等人，2025年；Jia等人，2025年）。一些研究强调了可解释性在临床决策支持系统中的重要性（Abbas等人，2025年），并探索了自监督学习策略以减少对大规模标记数据集的依赖（Abdulrazzaq等人，2024年），进一步突显了自动化血细胞分析的挑战和机遇。此外，结合空间-光谱特征分析的高光谱显微镜在精确识别白细胞方面显示出巨大潜力（Li等人，2014年）。最近的研究（Wang等人，2021年）进一步采用了三维（3D）深度卷积网络来自动提取和整合这些特征，提高了分类精度，实现了对血液涂片的高效自动化分析。然而，对象检测网络尚未在显微镜血细胞图像分析中得到广泛应用。在医学成像应用中，两阶段检测方法通常能实现更高的精度，但代价是计算复杂性和推理速度降低。相比之下，单阶段检测方法更注重计算效率和处理速度；它们有限的特征提取能力往往导致检测性能不佳。平衡检测速度和精度仍然是一个挑战。此外，显微镜血细胞成像常常受到背景噪声和不均匀照明引起的伪影（如重影和模糊）的影响。此外，现有的血细胞数据集在规模和质量上有限，许多模型的检测结果无法提供足够的诊断信息来支持临床决策。
You Only Look Once（YOLO）（Redmon等人，2016年）框架将对象检测重新定义为回归问题，通过比较预测边界框与真实边界框的交集（IoU）来进行判断。它已成为最广泛采用的单阶段对象检测框架之一，并在近年来经历了多次迭代（Wang等人，2023b；Jocher等人，2023年；Wang等人，2025a；Wang等人，2024a；Khanam和Hussain，2024年；Tian等人，2025年）。YOLOv9（Wang等人，2025a）通过其可编程梯度信息（PGI）方法和广义高效层聚合网络（GELAN）架构，在对象检测任务中表现出强大的性能。辅助分支提供了更丰富的梯度信息，以减轻传统特征融合方法在深层引起的语义损失，同时通过多级级联结构增强了模型的特征融合能力。然而，这种设计在多目标检测场景中存在局限性：它未能在局部和全局特征关注之间实现有效平衡，导致小目标检测精度不足，并且在处理目标重叠和遮挡问题时遇到困难。
本文专注于提高模型从多个尺度提取和融合特征的能力，有效平衡局部和全局信息以提高检测性能。因此，提出了一种基于YOLOv9模型的CRViT-YOLO的新变体，用于显微镜血细胞图像检测，能够更好地关注图像中不同尺度和细胞类型的特征。该方法在四个数据集BCCD、BCDD、LISC和BBBC041上进行了测试，以验证其在检测正常和病理血细胞方面的有效性。
本文的主要贡献总结如下：
1. 提出了一种基于卷积重建视觉变换器（CRViT）的结构，有效整合了CNN和ViT，从而捕获局部和全局特征，提高了对不同尺度目标的检测性能。这代表了CNN和多头自注意力的新颖集成。
2. 基于YOLOv9模型，提出了一种改进的血细胞检测方法，以满足多尺度目标的实时性和准确性要求，并在四个数据集上进行了验证，证明了其在识别不同大小和类型细胞方面的高性能。
3. 集成到网络颈部的特征增强模块（FEM）通过双向侧向和垂直细节保留细化了细胞边界定位，同时策略性地结合了分割和扩张卷积来扩展感受野并加强上下文特征融合。
4. 采用了高效IoU（EIoU）损失函数，该函数分离了宽高损失，以降低计算复杂性，同时提高了重叠细胞的定位和识别精度。
相关工作
相关工作
深度学习的最新进展显著提高了对象检测和分类算法的性能，显示出在自动化血细胞分析方面的巨大潜力。这些方法在血液学诊断中的准确率远高于传统显微镜检查方法（Archana和Kalirajan，2022年）。当前研究主要集中在三个任务上：血细胞检测、分类和分割。
CRViT-YOLO网络概述
图1展示了本研究中提出的CRViT-YOLO血细胞检测框架。该模型保留了基本的YOLOv9架构，并首先通过主分支和辅助分支处理输入图像。在主分支中，保留了RepNCSPELAN4模块用于特征提取。然而，它不足以捕获细胞边缘特征。因此，在颈部之前添加了FEM模块以增强局部特征，加强了模型捕获细节的能力。
数据集
由于患者隐私问题以及需要专业医生进行大量注释，现有的血细胞数据集在多样性和样本量方面都有限。因此，我们使用了四个数据集来实验和测试我们的模型，评估其在识别正常和异常血细胞方面的性能。这些数据集包括BCCD、BCDD、LISC和BBBC041。
讨论
通过系统的消融实验和比较实验，全面验证了所提出的CRViT-YOLO框架的有效性。如表2、表3、表4、表5、表6所示，CRViT-YOLO在检测精度、泛化能力和模型复杂性之间实现了平衡。它在特征显著重叠、尺度变化大和边界模糊的具有挑战性的场景中表现出特别强的性能。
结论
开发了一种改进的基于YOLO的检测框架，以解决血液学显微镜图像中的细胞重叠、尺度变化和形态多样性问题。该架构整合了CRViT模块来提取局部和全局特征，并结合了FEM进行多尺度特征细化，采用了EIoU损失函数来提高定位精度。
在BCCD数据集上，CRViT-YOLO实现了93.9%的mAP@50，比基线模型提高了1.1%。
伦理
所有程序均遵循相关法律法规和机构指南进行。本研究中使用的公开可用数据集包含没有可识别个人信息或标记的血细胞图像。这些数据集已获得用于研究的伦理批准；因此，不需要额外的伦理批准。
作者贡献声明
马玉亮：撰写——审稿与编辑、验证、监督、资源管理、项目管理、方法论。杜雅宁：撰写——原始草稿、软件开发、方法论、调查、正式分析、数据管理、概念化。席旭刚：资源管理。佘青山：资源管理、项目管理。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本工作部分得到了中国国家重点研发计划（编号2021ZD0113204）、国家自然科学基金（编号62371172、62071161）和浙江省自然科学基金（编号LZ22F010003）的支持。
. 详细实验参数设置
| 项目 | 配置 |
|---|
| CPU | 16核Intel(R) Xeon(R) Platinum 8352 |
| GPU | NVIDIA RTX 4090（24GB） |
| 环境 | Python 3.9, PyTorch 2.5.1, CUDA 11.8 |
| Lr0 | 0.01 |
| Lrf | 0.01 |
| 输入尺寸 | 640×640×3 |
| 批量大小 | 8 |
|
