运用深度卷积网络可高效分类血细胞

    □徐州医科大学智能医学工程张依霖

    血细胞是存在于血液中的细胞，约占血液容积的45%，包括红细胞、白细胞和血小板。本文将介绍血细胞对人体的重要性以及用深度卷积网络（CNN）分类血细胞的优点，并对三种不同的卷积神经网络模型进行介绍。

    血细胞异常会引起以下疾病：

    再生障碍性贫血一种身体新生成血细胞不足时出现的病症，患者会出现疲劳、易感染和出血失控等症状。

    骨髓增生异常综合征一种由骨骼内形成血细胞的海绵状物质（骨髓）出现问题而引起的疾病，患者容易出现疲劳、气短和异常淤血等症状。

    慢性白血病由白细胞失去正常细胞应有的分化能力以及老化死亡现象，不断增生取代骨髓内的正常造血细胞而引发的一种疾病，患者容易出现频繁或严重感染、淋巴结肿胀、反复流鼻血等症状。

    运用深度卷积网络分类血细胞具有诸多优点：

    提高血细胞分类的准确性使用k-means聚类算法（k均值聚类算法）能够有效提取血细胞图像特征，并实现高精度分类。

    显著提高分类速度与传统分类方法相比，使用改造后的卷积神经网络模型可以对血细胞进行快速识别，从而大大缩减时间。

    方便诊断和治疗支持运用深度卷积网络还会提供更直观的结果，方便医生进行诊断与治疗。

    以下三种深度卷积网络模型均可对血细胞进行分类：

    简单的深度卷积网络模型在卷积神经网络训练阶段，我们使用由卷积层和全连接层组成的简单CNN模型来训练模型，并使用交叉熵损失函数和sgdm优化器来进行训练，最终测试得到分类的准确率为0.6758。

    基于GoogleNet的血细胞分类模型GoogleNet是Google于2014年推出的基于Inception模块的深度神经网络模型。我们使用新数据集的新层替换最后一个可学习层和最终分类层，最终得到准确率为0.8697。

    基于AlexNet的血细胞分类模型AlexNet是在经典卷积神经网络LeNet5和传统BP神经网络基础上进一步发展和改进的深度卷积神经网络。它在LeNet5的基础上深化了网络结构，并成功地将非线性激活函数单元（ReLU）、随机稀疏性（Dropout等模块应用到网络中。基于AlexNet网络进行训练，最终得到准确率为0.9235。

    总的来说，与简单神经网络模型相比，GoogleNet网络和AlexNet网络都是非常有效的卷积神经网络模型，在血细胞分类方面都可以实现对血细胞的高效准确分类。随着数据集和模型的不断扩充和优化，这些模型的分类性能将会不断提高。