DETR模型助力血液细胞检测：开启自动化血液图像分析新时代

血液细胞在人体循环系统中扮演着重要角色，包括输送氧气的红细胞、抵御病原体的白细胞以及参与凝血的血小板。准确检测血液细胞对于诊断贫血、感染、白血病等疾病至关重要。然而，传统方法在效率和准确性上存在局限性，尤其是在资源匮乏的地区，先进的医疗设备难以普及。因此，开发高效、准确且易于实施的计算机辅助检测技术显得尤为重要。

近期，一项发表在《SN Computer Science》的研究提出了一种基于DETR（Detection Transformer）模型的血液细胞检测新方法，为自动化血液图像分析带来了新的突破。该研究引入了DETR模型，这是一种基于Transformer架构的先进目标检测方法，首次将其应用于血液细胞检测。

研究结果

图 1 血液学图像分析中使用YOLOv5和DETR模型进行自动化血细胞检测的工作流程

 本研究引入了DETR模型，这是一种基于Transformer架构的先进目标检测方法，首次将其应用于血液细胞检测。并将其与广泛使用的YOLOv5模型进行对比分析。实验采用来自Kaggle的增强注释BCCD-COCO数据集，该数据集包含了丰富的红细胞、白细胞和血小板标记图像，为模型训练和评估提供了坚实的数据基础。

图 2 用于血细胞检测的YOLOv5架构流程图

 YOLOv5是一种基于卷积神经网络（CNN）的目标检测模型，以其速度和精度的平衡而闻名。它的架构主要由骨干网络、颈部和检测头组成。骨干网络负责从血细胞图像中提取特征，其中包含如Focus、CBL、SSP和CSP等特殊设计的层，协同工作以捕捉不同尺度的血细胞特征。颈部则起到连接骨干网络和检测头的作用，通过融合不同层次的特征，增强对不同大小血细胞的检测能力。检测头利用这些特征预测血细胞的边界框和类别概率，从而实现对血细胞的精准定位和分类。

图 3 用于血细胞检测的DETR架构流程图

 相比之下，DETR模型结合了Transformer骨干网络和基于集合的全局损失函数，采用了一种全新的检测思路。它摒弃了传统的区域提议网络和锚框，直接对图像中的血细胞进行端到端的检测。DETR首先通过CNN骨干网络（如ResNet50）提取图像特征，然后将这些特征转化为适合Transformer层处理的格式，通过一系列的计算最终预测出血细胞的类别和边界框坐标。

实验结果显示，DETR和YOLOv5在血细胞检测任务中都展现出了较高的性能。从训练和验证指标来看，随着训练轮次（epoch）的增加，两种模型的各项损失函数值逐渐下降，检测精度、召回率和平均精度均值（mAP）不断提升。其中，YOLOv5的mAP达到0.88，而DETR则以0.89的成绩略胜一筹。特别是在检测小物体方面，DETR凭借其多头部注意力机制，能够更精准地聚焦于目标特征，平均置信度达到了95%，表现优于YOLOv5。

在实际检测效果上，两种模型各有特点。通过研究可以知道，YOLOv5能够快速定位血细胞，在处理常规血细胞图像时表现稳定。而DETR在面对复杂背景和密集细胞分布的图像时，展现出了更强的适应性和准确性，能够有效识别出被遮挡或微小的血细胞。然而，DETR在区分某些相似的白细胞亚型时，偶尔会出现多次检测或误判的情况，这也是后续研究需要进一步改进的方向

这项研究为血细胞检测技术的发展开辟了新的道路。尽管DETR模型目前在计算成本上较高，对硬件设备要求较为苛刻，但它在检测精度和复杂图像适应性方面的优势，为未来医学图像分析的发展提供了重要的参考。研究团队表示，未来将进一步优化DETR模型，通过增加对白细胞亚型的标注数据，提高其对不同白细胞类型的识别能力。同时，探索模型压缩、量化等技术，降低其计算成本，使这一先进技术能够更广泛地应用于临床诊断，为全球医疗健康事业带来新的突破。

原文链接：https://doi.org/10.1007/s42979-025-03769-w