使用注意力机制和双通道 U-Net 架构进行高级白细胞分类

快速阅读: 《Nature.com》消息，本文提出一种基于注意机制的双通道U型网络（ADCU-Net）框架用于高效白细胞分类。通过图像预处理、DBO算法分割和特征提取，ADCU-Net实现98.4%的高准确率，展现了深度学习在白细胞分类中的优异性能，为临床诊断提供支持。

白细胞或白血球在保护身体免受各类传染性疾病及感染性病原体侵害方面发挥着至关重要的作用。然而，传统的常规白细胞分析方法常因准确性不足而受到限制，需借助更为复杂的手段以提升诊断精度。为此，本文提出了一种名为“基于注意力机制的双通道U型网络”（Attention-driven Dual-channel U-net，简称ADCU-Net）的整体框架，该框架运用三个数据集进行高效的白细胞分类。

在预处理阶段，通过降噪、对比度增强以及背景去除等技术显著提升了图像质量，大幅改善了图像的清晰度。随后，利用基于莱维飞行优化的蜣螂优化（Dynamic Beetle Optimization, DBO）算法开展有效的图像分割工作。这种结合了莱维飞行策略的蜣螂优化算法能够简化搜索空间的探索流程，从而大幅提升边界检测的精确性。在特征提取环节中，引入包括标准差、均值及熵在内的主要定量指标，这些指标为白细胞分类提供了重要参考依据。

最终，采用全新设计的ADCU-Net模型完成高效的分类任务。此模型不仅擅长捕捉多种特征，还有效保留了空间信息，实现了高达98.4%的准确率。总体而言，本文展示了复杂深度学习架构在精准白细胞分类与分割领域的卓越表现，为临床诊断工具的进一步优化奠定了坚实基础。

(以上内容均由Ai生成)