《Pattern Recognition》：PLC-YOLO: A progressive local chunk-based model for accurate malaria microscopic image detection
编辑推荐：
陆勇|王晨旭|顾旭泽|潘秀琴|张瑞华•PPR-FPN可增强YOLO模型中浅层边缘特征及跨尺度特征融合能力。•LAWDS能在下采样过程中保留疟原虫的轮廓与颜色特征。•基于分块的SPPF模块可减少冗余计算，提升多尺度特征质量。引言疟疾是一种由疟原虫引发的蚊媒寄生虫病，主要通过雌性按蚊
陆勇|王晨旭|顾旭泽|潘秀琴|张瑞华
- •
PPR-FPN可增强YOLO模型中浅层边缘特征及跨尺度特征融合能力。
- •
LAWDS能在下采样过程中保留疟原虫的轮廓与颜色特征。
- •
基于分块的SPPF模块可减少冗余计算，提升多尺度特征质量。
引言
疟疾是一种由疟原虫引发的蚊媒寄生虫病，主要通过雌性按蚊传播。能感染人类的主要疟原虫种类包括间日疟原虫、恶性疟原虫和卵形疟原虫，其中恶性疟原虫的毒力最强，致死率也最高。尽管中国自2017年起未报告本土疟疾病例，并于2021年获得世界卫生组织的无疟疾认证，但输入性疟疾病例仍对公共卫生构成威胁。全球范围内，仍有近30亿人生活在85个疟疾流行国家和地区中[1]。
传统的疟疾诊断方法主要依赖显微镜检查及快速诊断试验[RDTs][2]。但这些方法耗时较长、劳动强度大，且高度依赖经验丰富的人员，因此难以在资源匮乏、病例众多的地区大规模应用。为解决这些局限，人们开始越来越多地研究基于机器学习的诊断方法。Chakradeo等人[3]提出了基于VGG的分类模型，准确率可达98.57%。Vijayalakshmi等人[4]将迁移学习与支持向量机结合使用，其性能优于传统卷积神经网络[CNNs]。Ahamed等人[5]则通过定制化的CNN架构提升了诊断的可解释性和性能。
近年来，人工智能技术的进步推动了基于计算机视觉的检测系统在多个领域的应用，包括制造业[6]、农业[7]和交通运输业[8]，这类系统具备高效性、可扩展性和成本效益优势。
虽然基于YOLO的检测器在多种检测任务中表现优异，但在显微镜图像中检测疟原虫仍然面临诸多挑战。疟原虫通常体积较小、分布密集，形态较为细微，边缘特征不明显，且与周围红细胞的视觉相似度很高。此外，染色差异、图像分辨率低以及复杂的显微镜背景等因素进一步增加了准确检测的难度。同时，现有的YOLO系列模型在特征提取和多尺度特征融合过程中可能存在冗余计算，这限制了其在资源有限的临床场景中的应用。
为应对这些挑战，本研究以YOLO11n[9]作为基础框架，提出了一种改进型的检测器——渐进式局部分块自适应YOLO（PLC-YOLO），旨在实现显微镜图像中疟原虫的高效、精准检测。选择YOLO11n是因为它在保持单阶段检测器实时处理优势的同时，相比早期的YOLO版本如YOLOv5[10]和YOLOv8[11]，具有更精细的特征提取和融合机制。在这一轻量级框架的基础上，PLC-YOLO旨在提升细粒度特征表达能力，抑制背景干扰，提高对微小疟原虫目标的检测效率。
本研究的主要贡献如下：
(1) 设计了一种插件式路径优化特征金字塔网络（PPR-FPN），用于强化YOLO框架中浅层层的边缘轮廓特征，促进多尺度跨层特征交互。
(2) 提出了一种名为LAWDS的局部自适应加权深度可分离卷积模块，用于替代模型中的部分卷积层。该模块通过采用简洁的操作替代注意力机制，实现在控制模型复杂度的同时进行自适应下采样，最大程度保留疟原虫的关键轮廓和颜色信息，从而减少特征丢失。
(3) 设计了一种改进型的基于分块的空间金字塔池化快速模块（C-SPPF），在池化操作后加入分块处理策略。该设计可消除冗余计算，最大限度地保留原始特征信息，提升整体特征质量。
本文的其余结构如下：第2节回顾了计算机视觉算法的发展历程以及基于YOLO的模型的演变过程；第3节介绍了所提出的基于YOLO11的疟疾检测框架及其核心组件；第4节给出了详细的实验评估与对比分析结果；第5节对研究内容进行总结。
各章节要点
计算机视觉领域的发展
在基于深度学习的物体检测技术初期，两阶段检测模型被广泛采用。例如，Ren等人[12]提出了Faster R-CNN，将该技术的区域提议功能与检测功能整合为端到端框架，大幅提升了处理速度；但其性能仍无法满足实时检测的需求。
此后，为满足实时检测的要求，一些研究人员开始关注端到端的物体检测器。例如，Zhao等人
整体架构
如图1所示，我们基于YOLO11框架开发了一种改进型的物体检测框架。所提出的PLC-YOLO模型包含三个核心组件：
(1) 插件式路径优化特征金字塔网络（PPR-FPN）；
(2) 局部自适应加权深度可分离卷积模块（LAWDS）；
(3) 基于分块的空间金字塔池化快速模块（C-SPPF）。
这些组件共同作用，旨在提升多尺度特征表示能力、实现轻量级下采样，并提高检测效率
实验数据集
本研究使用了两个公开的疟疾数据集。每个数据集均按照7:1:2的比例划分为训练集、验证集和测试集。通过对比实验和消融研究，评估了所提出模块的有效性以及整个模型的性能。
对于Data1[25]数据集，先移除了标注错误的图像，最终留有2416张图像用于实验。对于Data2数据集[26]，则对标注错误的图像进行了处理
结论
本文提出了一种改进型的基于YOLO11的模型PLC-YOLO，旨在提升在小目标、复杂背景及效率受限条件下的疟疾显微镜图像检测能力。在两个公开疟疾数据集上的实验表明，与常见的YOLO版本相比，PLC-YOLO在mAP@0.5值和精确度方面表现更优，同时由于其结构更为轻量，推理速度也高于YOLO11n基础模型。
不过，目前还需要在真实的临床数据上进行进一步验证
CRediT作者贡献说明
陆勇：资源筹集、资金获取、正式分析、数据整理、概念构思。 王晨旭：验证、监督、软件开发、项目管理、方法设计。 顾旭泽：论文撰写与编辑、初稿撰写、可视化处理、验证工作。 潘秀琴：论文撰写与编辑、初稿撰写、可视化处理、监督工作。 张瑞华：论文撰写与编辑、初稿撰写、可视化处理。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
