應(yīng)用方向：

本文將顯微高光譜成像技術(shù)應(yīng)用于白細胞的快速檢測與分類識別，充分發(fā)揮了高光譜圖像在獲取細胞空間結(jié)構(gòu)與光譜特征信息上的雙重優(yōu)勢。通過高分辨率的顯微成像，系統(tǒng)可在納米級尺度下對血液涂片中的白細胞進行成像，實現(xiàn)對細胞中蛋白質(zhì)、酶類等成分差異的敏感響應(yīng)。與傳統(tǒng)基于RGB圖像的檢測方法相比，顯微高光譜技術(shù)能更準確地區(qū)分形態(tài)相近、色澤相似的細胞類型。此外，研究還表明，該技術(shù)在結(jié)合深度學習模型后，可實現(xiàn)自動化、精準化、可解釋的細胞識別，為血液學領(lǐng)域的智能輔助診斷提供了新路徑，也展示了顯微高光譜在臨床檢驗、細胞分類、疾病篩查等場景中的應(yīng)用潛力。

導(dǎo)讀

背景：白細胞（WBCs）作為血液中的重要組成部分，在機體免疫防御中發(fā)揮著核心作用，其數(shù)量和形態(tài)特征常用于疾病診斷與健康評估。然而，傳統(tǒng)的白細胞檢測方法多依賴人工顯微鏡觀察，如直接血細胞計數(shù)和分類計數(shù)等，這不僅操作復(fù)雜、效率低下，而且極易受到操作者主觀判斷影響，尤其在面對大量樣本時容易出錯。盡管近年來圖像識別與計算機視覺技術(shù)已被廣泛應(yīng)用于血細胞自動檢測，如基于支持向量機（SVM）或深度學習的圖像分割與識別方法，但這類方法通常僅依賴細胞圖像的空間特征，難以從根本上解決小樣本和類別間差異不明顯所導(dǎo)致的泛化能力不足的問題。此外，圖像采集過程中如顯微鏡光照條件、載玻片厚度等環(huán)境因素也容易干擾檢測結(jié)果。

高光譜成像（HSI）技術(shù)的興起為解決上述問題提供了新思路。該技術(shù)融合了圖像與光譜信息，能獲取目標在空間和光譜維度的豐富特征，在醫(yī)學圖像分析中表現(xiàn)出顯著優(yōu)勢。然而，傳統(tǒng)HSI處理流程中往往需要人工劃定感興趣區(qū)域（ROI），限制了其在快速檢測場景下的應(yīng)用。因此，本文提出結(jié)合高光譜顯微成像系統(tǒng)（HMI）與多數(shù)據(jù)融合的Faster RCNN模型，實現(xiàn)對白細胞的快速、自動化識別，通過融合光譜和圖像信息，提升模型的識別精度與魯棒性。這一研究不僅有助于提高白細胞檢測的效率和準確性，也為其他類型的生物醫(yī)學影像分析提供了參考路徑。

作者信息：王慧慧，大連工業(yè)大學，博士生導(dǎo)師

期刊來源：Sensors and Actuators: B. Chemical

研究內(nèi)容

本研究旨在提升白細胞檢測的自動化水平和識別準確性，提出了一種結(jié)合高光譜顯微成像系統(tǒng)（HMI）與多數(shù)據(jù)融合的Faster RCNN深度學習模型。本文充分利用高光譜成像可同時獲取圖像與光譜信息的優(yōu)勢，構(gòu)建了一個聯(lián)合分析模型。作者分別設(shè)計了基于光譜數(shù)據(jù)的一維卷積神經(jīng)網(wǎng)絡(luò)（1-D CNN）與基于偽彩色圖像的Faster RCNN模型，用于單一模態(tài)下的分類性能分析。進一步地，提出融合兩種模態(tài)的Multi-data Faster RCNN模型，在Faster RCNN中引入1-D CNN光譜特征提取模塊，并通過特征拼接實現(xiàn)圖像與光譜信息的聯(lián)合識別。

實驗設(shè)計

本研究使用的血涂片樣本由大連市第二醫(yī)院血液科提供，樣本在送檢前已完成染色處理（圖1（a））。高光譜數(shù)據(jù)采集采用圖1（b）所示系統(tǒng)完成，構(gòu)建包含五類白細胞的標注數(shù)據(jù)集，所有圖像數(shù)據(jù)均由專業(yè)醫(yī)務(wù)人員進行標注。

本研究采用的高光譜顯微成像（HMI）系統(tǒng)如圖1(b)所示，該系統(tǒng)主要由以下組件構(gòu)成：1）Image-λ-N17E近紅外高光譜成像系統(tǒng)（江蘇雙利合譜科技有限公司）；2）配備金屬鹵素光源的三目生物顯微鏡。實驗采用暗場成像模式，曝光時間設(shè)置為10 ms。如圖1(c)所示，所獲取的高光譜數(shù)據(jù)立方體包含360個單波段圖像（波長范圍382.3-1020.2 nm，光譜分辨率1.8 nm），每個單波段圖像的尺寸為960（寬）×1101（高）像素。

由于高光譜圖像數(shù)據(jù)占用內(nèi)存較大，而顯微鏡獲取的每張原始圖像的邊緣區(qū)域都是純黑的無用區(qū)域，因此從每張圖像的中心切割出一個600 × 600 像素的區(qū)域來制作數(shù)據(jù)集，以保證盡可能多的血細胞被保存在該區(qū)域內(nèi)。

圖1. 主要研究流程圖：(a) 血涂片；(b) 高光譜成像系統(tǒng)（HMI）；(c) 高光譜圖像；(d) 分類標簽；(e) 模型與結(jié)果。

研究方法

本研究的預(yù)測集白細胞數(shù)量為90個，校正集與預(yù)測集的比例控制在約3:1。此外，在每個訓(xùn)練周期中，模型會以0.1的比例從校正集隨機劃分驗證集，以提升模型的泛化能力。

針對白細胞高光譜圖像的光譜數(shù)據(jù)，本研究參考VGG16模型構(gòu)建了一維CNN網(wǎng)絡(luò)結(jié)構(gòu)。該架構(gòu)不僅能有效提取白細胞光譜數(shù)據(jù)中的深層特征信息，同時最大限度降低了模型復(fù)雜度。如圖2所示，網(wǎng)絡(luò)具體結(jié)構(gòu)包含13個采用ReLU激活函數(shù)的一維卷積層（1-D Conv）、5個最大池化層以及2個全連接層（Dense）。圖中各層頂部數(shù)值表示特征圖數(shù)量，底部數(shù)值則對應(yīng)卷積層編號及該層卷積核數(shù)量。網(wǎng)絡(luò)輸入數(shù)據(jù)為通過分析軟件從高光譜圖像中提取的、包含360個波段的平均光譜反射率數(shù)據(jù)。

圖2. 基于光譜數(shù)據(jù)的一維卷積神經(jīng)網(wǎng)絡(luò)（1-D CNN）結(jié)構(gòu)。

針對白細胞高光譜圖像的特征檢測，本研究構(gòu)建了基于Faster RCNN的檢測框架。作為Fast RCNN的改進版本，該框架結(jié)構(gòu)如圖3所示，通過二維卷積層（2D-Conv）、最大池化層（Max Pooling）和全連接層（Dense）實現(xiàn)白細胞的特征提取、定位與分類。其中，特征提取網(wǎng)絡(luò)采用Resnet18架構(gòu)，該網(wǎng)絡(luò)能實現(xiàn)更深層次的特征提取，顯著提升白細胞類別間差異不明顯數(shù)據(jù)的識別精度。Faster RCNN的核心優(yōu)勢在于其區(qū)域提議網(wǎng)絡(luò)（RPN），該網(wǎng)絡(luò)能大幅提升白細胞等微小目標的檢測能力。

圖3. Faster R-CNN的結(jié)構(gòu)。

基于多源數(shù)據(jù)融合的聯(lián)合檢測方法能夠降低模型對單一數(shù)據(jù)類型的依賴性，顯著提升識別精度和模型穩(wěn)定性。為此，本研究對原Faster RCNN網(wǎng)絡(luò)進行改進：通過在網(wǎng)絡(luò)結(jié)構(gòu)中新增光譜數(shù)據(jù)提取模塊、一維CNN光譜特征提取網(wǎng)絡(luò)以及特征融合層（Concatenate），構(gòu)建了多數(shù)據(jù)融合的Faster RCNN檢測模型（如圖4所示）。主要改進包括：在ROI池化層后接入光譜特征提取模塊，以建議框坐標作為輸入截取白細胞高光譜圖像對應(yīng)區(qū)域，計算該區(qū)域的平均光譜反射率作為一維CNN網(wǎng)絡(luò)的輸入數(shù)據(jù)。經(jīng)一維CNN提取的光譜特征通過Concatenate層與圖像空間特征進行融合，最終基于融合特征完成白細胞分類。

圖4. 多數(shù)據(jù)Faster R-CNN的流程。

之后采用Grad-CAM算法對解釋CNN對WBC特征的學習結(jié)果，并驗證其對WBC分類結(jié)果的準確性。采用Precision、Recall、F1 score、AP和mAP作為WBC檢測的評價指標。

結(jié)果

針對一維光譜數(shù)據(jù)，本研究構(gòu)建了1-D CNN白細胞檢測模型。模型在第20個周期左右基本收斂，校準集和驗證集的最終損失值分別穩(wěn)定在0.19和0.26，表明1-D CNN對白細胞光譜數(shù)據(jù)具有優(yōu)異的適應(yīng)性和分類能力。各類別的識別準確率均達到90%以上，且未出現(xiàn)過擬合現(xiàn)象，證實了模型良好的泛化能力。所有分類類別的F1分數(shù)均超過0.9，AP值也均保持在0.9以上。這些結(jié)果充分證明，基于光譜反射數(shù)據(jù)構(gòu)建的1-D CNN模型在白細胞分類任務(wù)中表現(xiàn)出卓*的穩(wěn)定性和分類性能。

在本研究中，二維偽彩色圖像被應(yīng)用于Faster R-CNN白細胞檢測建模。模型主要關(guān)注400–570納米和640–700納米這兩個波段范圍。這兩個范圍內(nèi)的波段被模型賦予了更高的權(quán)重，因為它們包含了更多用于白細胞識別的特征信息。作為一種目標檢測網(wǎng)絡(luò)模型，F(xiàn)aster R-CNN能夠有效識別微小尺寸目標，特別適用于顯微檢測場景。圖5展示了基于Faster R-CNN模型對兩幅不同圖像中五類白細胞的檢測結(jié)果。圖中采用不同顏色的檢測框標注各類白細胞，并在檢測框上方顯示對應(yīng)的預(yù)測類別及置信度評分。實驗結(jié)果表明，該模型能準確區(qū)分不同類別的白細胞，并保持較高的檢測精度。

圖5. 基于偽彩色圖像的Faster R-CNN檢測白細胞的結(jié)果。

從模型訓(xùn)練的角度來看，總損失值在前20個訓(xùn)練周期內(nèi)迅速下降，隨后趨于平穩(wěn)，并在大約80個訓(xùn)練周期后基本收斂，這證明了Faster R-CNN在這種白細胞圖像數(shù)據(jù)集中的可行性。與1-D CNN相比，F(xiàn)aster R-CNN不僅在訓(xùn)練過程中收斂速度更慢，而且在Neu和Eos的分類準確率上也明顯較低。所有白細胞分類的F1分數(shù)和AP均高于0.85，其中Bas的F1分數(shù)和AP分別達到了0.957和0.999，這證明了Faster R-CNN在預(yù)測白細胞方面的整體性能良好。

圖6詳細展示了多數(shù)據(jù)Faster R-CNN的性能。圖6(a)展示了訓(xùn)練過程中總損失值的變化。當訓(xùn)練周期達到40時，校準集和驗證集的總損失值分別下降了0.008和0.03，并隨后趨于穩(wěn)定，這表明模型的訓(xùn)練效果良好。圖6(b)詳細展示了白細胞的分類結(jié)果。與前兩種模型相比，可以看Lym或Mon的分類準確率有所提高。此外，各分類之間的混淆也減少了，這表明該模型的預(yù)測能力得到了提升。

圖6. 多數(shù)據(jù)Faster R-CNN的結(jié)果：(a) 訓(xùn)練過程中的總損失曲線；(b) 分類結(jié)果的混淆矩陣；(c) 每個分類的精確率-召回率（PR）曲線。

對多數(shù)據(jù)Faster R-CNN的分類性能進行綜合分析。*顯著的改進是Lym和Mon的AP值大幅提升，分別達到了0.917和0.911。融合特征的分類不僅減少了白細胞之間的誤判，還有效減少了背景與白細胞目標之間的誤判。這證明了多數(shù)據(jù)聯(lián)合檢測相較于單一數(shù)據(jù)檢測的可行性和優(yōu)勢。

圖7展示了多數(shù)據(jù)Faster R-CNN在預(yù)測集中獲得的類別激活映射（CAM）熱力圖，這是聯(lián)合檢測模型對白細胞光譜反射率（圖7(a)）和圖像特征（圖7(b)）的權(quán)重可視化。與單一數(shù)據(jù)1-D CNN關(guān)注的400–570納米和640–700納米波段范圍相比，多數(shù)據(jù)Faster R-CNN模型在融合特征的引導(dǎo)下，關(guān)注了更廣泛的380–570納米和640–950納米波段范圍。

圖7. 多數(shù)據(jù)Faster R-CNN在預(yù)測集中生成的Grad-CAM：(a) 基于光譜波長；(b) 白細胞的圖像。

結(jié)論

在本研究中，基于深度學習框架，提出了單數(shù)據(jù)檢測模型（1-D CNN和Faster R-CNN）以及多數(shù)據(jù)聯(lián)合檢測模型（多數(shù)據(jù)Faster R-CNN），以協(xié)助HMI進行白細胞檢測。對于基于光譜反射率數(shù)據(jù)的1-D CNN，每個分類的F1分數(shù)和AP均超過0.9，mAP達到了0.956，這證明了光譜數(shù)據(jù)在白細胞分類中的可行性。隨后，利用Faster R-CNN基于圖像特征對白細胞進行定位和分類，該模型在細胞定位方面表現(xiàn)出色，但其對Lym和Mon的F1分數(shù)和AP甚至未能超過0.9。相比之下，多數(shù)據(jù)Faster R-CNN模型的每個F1分數(shù)和AP均超過0.9，mAP甚至達到了0.962。這一顯著性能主要歸功于兩種數(shù)據(jù)類型的互補性，使得模型能夠產(chǎn)生比單一數(shù)據(jù)源更準確、更完整且更可靠的估計和區(qū)分。與現(xiàn)有的白細胞檢測方法相比，多數(shù)據(jù)Faster R-CNN能夠?qū)崿F(xiàn)大量白細胞樣本的自動且快速檢測。此外，引入HMI可獲取高質(zhì)量的細胞高光譜圖像，從而顯著提高了檢測的準確性。最重要的是，其可行性和優(yōu)勢已得到驗證，這可能為其他生物檢測提供寶貴的參考。