安志萍：基于卷积神经网络的血细胞图像分类方法研究

一 研究背景

血细胞分析是临床检验里最基础、重要的项目之一。血液里的细胞主要分三大类：红细胞、白细胞和血小板。其中，白细胞还能进一步分为五类，分别是中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞。不同种类血细胞的数量和形态变化，与很多疾病的诊断都有一定关联。比如中性粒细胞增多，常见于急性感染和炎症；淋巴细胞异常，可能和白血病、淋巴瘤等血液系统疾病相关；而嗜酸性粒细胞增多，则可能提示有过敏性疾病或者寄生虫感染。

过去，血细胞分类主要靠人工在显微镜下观察和计数，这种方法有不少局限。比如，不同检验人员的判断标准不一样，依赖个人经验，主观性比较强；而且人工看片子时间久、效率低，很难满足大规模筛查的需求；另外，血细胞形态识别需要长期积累经验，而专业人才的培养周期比较长。

随着计算机视觉和机器学习技术的发展，血细胞自动分类成了临床关注的热点。传统的机器学习方法通常用支持向量机（SVM）、随机森林这类分类器，但这些方法的性能很大程度上取决于特征设计得好不好，而血细胞形态本身就较为复杂，人工设计特征事实上也极有挑战性。近几年，以卷积神经网络（Convolutional Neural Network，CNN）为代表的深度学习技术在图像识别领域取得了很大突破。CNN能够自动从原始图像中学习层次化的特征表示，从而避免人工设计特征的繁琐过程，该技术已成功应用于肺结节检测、眼底病变识别等多个医学图像分类场景。本研究尝试将CNN技术应用于血细胞图像分类，通过数据增强与模型参数调整实现优化改进，旨在探索深度学习技术推动血细胞识别智能化应用的可能性，以期为临床提供参考。

二 卷积神经网络（CNN）基本结构

卷积神经网络（CNN）是一种专门用来处理图像这类网格状数据的深度学习模型。它的核心想法很简单：通过卷积操作提取图像的局部特征，再靠一层层的网络结构，逐步学到从低级到高级的特征表示。

CNN主要由多种层堆叠而成：

卷积层：用多个可以学习的卷积核在图像上滑动，做内积运算，生成特征图。每个卷积核负责识别一种特定的特征，比如边缘、纹理等。卷积操作能保留图像的空间结构，并且通过堆叠多个卷积层，网络可以从低级特征（比如边缘）一步步抽象出更高级的特征（比如物体的部件，甚至整体形状）。

池化层：通常放在卷积层后面，对特征图做下采样，比如最大池化或平均池化。它的作用是缩小特征图的尺寸，减少参数和计算量，同时让网络对一些细微的位置变化不那么敏感，也就是增强“平移不变性”，顺便还起到了降维的效果。

全连接层：在网络的最末端，一般会接一个或多个全连接层。它们先把高维的特征图拉平，再映射到最终的分类或回归结果上，比如输出每个类别的概率。训练的时候，通过反向传播算法一步步更新卷积核的参数，让网络自动学到最有效的特征表示。

激活函数：是CNN的重要参数，常用的是ReLU，也叫线性整流单元。它做的事情很简单，就是把负数变成零，正数保持不变。这样引入非线性之后，网络才有能力去学习更复杂的数据模式。

CNN因为“端到端”的特征学习能力，加上高效的局部处理机制，在图像分类、目标检测、人脸识别等领域都取得了巨大成功，被称为现代计算机视觉的基石。

三 基于CNN的血细胞分类模型构建

1.数据集描述

本研究采用的血细胞图像数据集来自Kaggle，包含中性粒细胞（Neutrophil）、嗜酸性粒细胞（Eosinophil）、单核细胞（Monocyte）和淋巴细胞（Lymphocyte）等四种类型jpeg格式图像，其中训练集共9957张图像，测试集共2487张图像。部分图像文件显示如图1所示，数据集图像文件分布如图2所示。图中可知，四类血细胞图像数量均衡。

图1 数据集部分图像显示

图2 数据集图像分布图

2.数据预处理

首先从文件夹中读取原始血细胞图像，将色彩空间从BGR转换为RGB。由于原始图像尺寸不一致，需统一调整至固定尺寸。传统方法一般是对图像进行直接缩放，这种方式可能导致细胞形态失真。本研究采用的是保持比例再居中填充的策略：先算好缩放比例，让图像的长边匹配目标尺寸，然后按比例缩放；接着在短边两侧补上黑色像素，做成正方形图像；最终统一成128×128像素。

其次，像素值归一化，即从[0, 255]线性映射到[0, 1]区间，以便加速模型收敛。

同时将细胞类型英文名标签转换为1-4的数值编码。

本模型运行初期采用常规CNN数据处理，效果不佳，因此数据预处理阶段增加了随机旋转、平移、缩放和亮度调整等数据增强操作，以提升数据多样性。

3.构建CNN模型

实验中，同样针对模型初期分类效果不佳情况，对常规CNN的“卷积层-池化层-全连接层”三层结构进行了优化改进，构建了一个改进型残差卷积神经网络。该网络通过堆叠卷积层和残差块来逐步提取图像特征：首先使用32个3×3卷积核的初始卷积块（包含批量归一化和ReLU），接着堆叠三个残差块，通道数依次增加到64、128、256，每个残差块步长均为2，以实现下采样。最后经过全局池化和全连接层，输出各类别的概率。这种堆叠结构与残差块的改进设计，旨在缓解深层网络中的梯度消失问题，增强特征的复用能力，从而提升分类精度与训练稳定性。

4.模型训练参数配置

数据集按85:15的比例划分为训练集和验证集，批量大小设为32，最大训练轮数设为30。采用Adam优化器更新网络参数，以交叉熵作为损失函数来衡量预测误差。训练过程中加入了早停机制（耐心值为15），当验证损失不再下降时自动停止，以防止过拟合；同时动态调整学习率来优化收敛效果。

图3 模型训练曲线对比图

图3展示了模型训练过程中的准确率与损失曲线。由图可知，当迭代次数接近30时，模型的准确率趋近于1，同时损失值趋于0，表明模型参数设置合理，模型能充分收敛，训练效果良好。

5.主要评价指标

（1）精确率（Precision）：指预测为某类别的样本中，实际属于该类别的比例。衡量模型预测结果的准确性，值越高表示误判（假阳性）越少。

（2）召回率（Recall）：指实际属于某类别的样本中，被正确预测出来的比例。衡量模型对正例的覆盖能力，值越高表示漏检（假阴性）越少。

（3）F1分数（F1-Score）：为精确率与召回率的调和均值，用于综合评估模型在特定类别上的分类性能，能够平衡假阳性与假阴性对模型评价的影响。其值越高，代表模型在该类别上的鲁棒性与判别能力越强。

6.实验结果分析

血细胞分类模型的性能指标评估如图4所示。模型整体准确率达87.6%，说明其在四类血细胞识别任务上表现良好。宏平均F1分数为87.9%，说明模型在四个类别上的表现较为均衡。模型分类预测的混淆矩阵如图5所示。

图4 模型性能评估报告

图5 混淆矩阵图

结合图4模型性能评估报告图与图5混淆矩阵图，进行如下分析：

（1）中性粒细胞（NEUTROPHIL）

精确率=0.693：表示约30.7%的预测为阳性的样本为假阳性，精确率为四类中最低；

召回率=0.958：表示95.8%的真实样本被正确识别，漏检率仅为4.2%，主要误判为嗜酸性粒细胞；

F1分数=0.804：在四类中排名最低，反映出该类别上精确率与召回率的显著不平衡，模型以牺牲精确性为代价换取了较高召回率。可知模型对中性粒细胞的识别策略表现出高敏感性，但同时伴随有较高误判。

（2）嗜酸性粒细胞（EOSINOPHIL）

精确率=0.952：表示约4.8%的预测结果为假阳性；

召回率=0.833：表示约16.7%的真实样本被漏检，主要误判为中性粒细胞。经临床科室确认，两者均为分叶核粒细胞，形态特征部分重叠，是导致混淆的主要原因；

F1分数=0.889：在四类细胞中排名第二，说明模型在该类别上取得了较好的精确率与召回率折中。

（3）单核细胞（MONOCYTE）

精确率=0.967：表示预测为该类别的样本中，约有96.7%准确，假阳性率约为3.3%；

召回率=0.750：表示仍有25%的真实样本被漏检，主要被误判为中性粒细胞；

F1分数=0.845：表明模型在该类别上综合表现良好，但其召回率相对较低限制了F1分数进一步提升。说明模型对单核细胞的分类策略偏向于严格控制假阳性，表现出较高预测谨慎性。这一特性在临床诊断中具有实际价值，有助于降低不必要的假警报。

（4）淋巴细胞（LYMPHOCYTE）

精确率=0.998：表示预测为阳性的样本中，仅约0.2%为假阳性；

召回率=0.963：表示所有真实样本中约有96.3%被正确识别，漏检率为3.7%；

F1分数=0.980：为四类细胞中最高，表明模型在该类别上实现了精确性与敏感性的最优平衡，分类性能极为优异。

综上可知，本研究构建的基于改进型CNN的血细胞分类模型性能表现良好，在淋巴细胞、单核细胞、嗜酸性粒细胞和中性粒细胞四类血细胞上均展现出较好的分类能力，相较于初始CNN模型也具有显著提升。模型整体性能满足辅助诊断的基本需求。

四 系统界面设计与效果展示

为直观展示该模型的实际应用，笔者设计了血细胞分类系统界面，如图6所示。该程序自动加载已保存的模型，并对独立于原始数据集的图像进行预测。选择单个图像文件结果显示，输出置信度达99%，分类效果良好。

图6 系统界面图

五 未来展望

本研究初步探索基于改进型CNN技术实现血细胞图像的智能分类，后续工作可从以下三方面展开：一是推进模型轻量化，以适应资源受限的部署环境；二是扩展多类别识别能力，覆盖更广泛的血细胞类型；三是开展临床部署可行性验证，推动血细胞智能分类技术在实际诊疗场景中的应用落地。

作者简介

安志萍，高级工程师，在职博士学历，专业技术上校退役。hth平台委员，中国研究型医院学会医疗信息化分会理事，中国医疗保健国际交流促进会医学工程与信息学分会委员，中国医学装备协会医院物联网分会常务委员。长期从事医院信息化建设工作。作者观点纯属与同行做技术交流，欢迎批评指正。