DAFFNet: A Dual Attention Feature Fusion Network for Classification of White Blood Cells

精确分类白细胞（WBC）对于诊断与血液相关的疾病至关重要。然而，在临床环境中进行手动分析费时、费力且容易出错。许多研究利用机器学习和深度学习技术实现了客观的WBC分类，但这些研究尚未充分利用WBC图像的信息。因此，我们的动机是全面利用WBC图像的形态信息和高级语义信息，以实现准确的WBC分类。在本研究中，我们提出了一种新的双分支网络Dual Attention Feature Fusion Network（DAFFNet），首次将高级语义特征与WBC的形态特征相结合，实现准确分类。具体来说，我们引入了双重注意机制，使模型能够更全面地利用图像的通道特征和空间局部特征。我们提出了形态特征提取器（MFE），包括形态属性预测器（MAP）和形态属性编码器（MAE），用于提取WBC的形态特征。我们还实现了深度监督学习（DSL）和半监督学习（SSL）训练策略，以提高MAE的性能。我们提出的网络框架在六个公共数据集PBC、LISC、Raabin-WBC、BCCD、LDWBC和Labelled上分别实现了98.77％、91.30％、98.36％、99.71％、98.45％和98.85％的总体准确率，证明了其与现有研究相比具有卓越的有效性。结果表明，将高级语义特征和低级形态特征相结合的WBC分类具有重要意义，为显微镜下血细胞图像的客观准确分类奠定了基础。

论文旨在综合利用白细胞图像的形态信息和高层语义信息，实现准确的白细胞分类，以解决手动分析在临床环境中耗时、劳动密集且容易出错的问题。

DAFFNet是一种新的双分支网络，首次将高层语义特征与白细胞形态特征相结合，以实现准确分类。该网络框架采用双重注意机制，使模型能够更全面地利用图像的通道特征和空间局部特征。同时，论文还提出了形态特征提取器（MFE），包括形态属性预测器（MAP）和形态属性编码器（MAE），以提取白细胞的形态特征。论文还实现了深度监督学习（DSL）和半监督学习（SSL）训练策略，以增强MAE的性能。

论文在六个公共数据集上进行了实验，分别为PBC、LISC、Raabin-WBC、BCCD、LDWBC和Labelled，DAFFNet的总体精度分别为98.77％、91.30％、98.36％、99.71％、98.45％和98.85％，相比现有研究表现出更好的效果。论文的亮点包括：提出了双重注意机制，实现了高层语义特征和低层形态特征的结合；提出了形态特征提取器，实现了形态特征的提取；实现了深度监督学习和半监督学习训练策略，增强了MAE的性能。

近期在这个领域的相关研究包括：1. A Review on Automated White Blood Cell Segmentation Techniques; 2. White blood cell classification using deep convolutional neural network and support vector machine; 3. White blood cell segmentation using deep learning and image processing techniques。