Analysis of Modern Computer Vision Models for Blood Cell Classification

准确分类白细胞和相关血液成分对于医学诊断至关重要。虽然传统的手动检查和自动血液分析仪已被广泛使用，但它们往往速度较慢且容易出错。近年来，深度学习的进展为解决这些限制提供了希望。早期的研究已经证明了卷积神经网络（如DenseNet、ResNet和VGGNet）在这个任务中的可行性。在这些基础上，我们的工作采用了更近期和高效的模型，以实现快速和准确的结果。具体而言，本研究使用了最先进的架构，包括MaxVit、EfficientVit、EfficientNet、EfficientNetV2和MobileNetV3。本研究旨在评估这些模型在WBC分类中的性能，可能为当前方法提供更高效和可靠的替代方案。我们的方法不仅解决了传统技术的速度和准确性问题，还探索了创新深度学习模型在血液学分析中的适用性。

论文旨在评估使用MaxVit、EfficientVit、EfficientNet、EfficientNetV2和MobileNetV3等最新的深度学习模型在白细胞分类中的性能，以提供一种更高效可靠的替代方案。

通过使用最新的深度学习模型，论文试图解决传统方法在速度和准确性方面存在的问题，并探索创新深度学习模型在血液学分析中的适用性。

论文使用了MaxVit、EfficientVit、EfficientNet、EfficientNetV2和MobileNetV3等最新的深度学习模型，并评估了它们在WBC分类中的性能。实验结果表明，这些模型在速度和准确性方面表现出色，可以作为传统方法的替代方案。论文还提供了数据集和开源代码，这些工作值得进一步研究。

最近在这个领域中，还有一些相关的研究，如《A Deep Learning-Based Framework for Automatic White Blood Cell Detection and Classification》、《White Blood Cell Classification Using Convolutional Neural Network and Extreme Learning Machines》等。