CBC2019——全血细胞自动识别计数 (CBC)

今天将分享全血细胞自动识别计数 (CBC)完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、CBC2019介绍

全血细胞 (CBC) 计数是医疗专业人员经常要求评估健康状况的重要测试。血液主要是三种细胞：红细胞（RBC）、白细胞（WBC）和血小板。红细胞是最常见的血细胞类型，占血细胞的 40-45% 。血小板在血液中也大量存在。白细胞，仅占血细胞总数的 1%。红细胞将氧气输送到身体组织，组织接收的氧气量受到红细胞数量的影响。白细胞可以抵抗感染，血小板可以帮助凝血。由于这些血细胞数量巨大，使用血细胞计数板的传统手动血细胞计数系统非常耗时且容易出错，并且大多数情况下的准确性在很大程度上取决于临床实验室分析人员的技能。因此，从涂片图像中计数不同血细胞的自动化过程将极大地促进整个计数过程。

二、CBC2019任务

红细胞（RBC）、白细胞（WBC）和血小板检测识别计数。

三、CBC2019数据集

全血细胞计数 (CBC) 数据集包含360个血涂片图像及其注释文件，分为训练集、测试集和验证集。训练文件夹包含300张带有注释的图像 测试和验证文件夹均包含60张带有注释的图像。对原始数据集进行了一些修改，以准备此 CBC 数据集，其中一些图像注释文件包含的红细胞 (RBC) 比实际值低，并且一个注释文件根本不包含任何RBC，尽管细胞涂片图像包含RBC。因此，清除了所有错误文件并将数据集分为三个部分。在360张涂片图像中，首先将300张带注释的血细胞图像作为训练集，然后将其余60张带注释的图像作为测试集。由于数据短缺，使用训练集的子集来准备验证集，其中包含 60 张带有注释的图像。

数据集下载：

https://github.com/MahmudulAlam/Complete-Blood-Cell-Count-Dataset

四、技术路线

1、图像预处理，然后采用均值为0，方差为1的方式进行归一化处理，并将数据划分成训练集和验证集。

2、搭建YoloV5检测网络，使用SGD优化器，学习率是0.001，batchsize是64，epoch是500，损失函数采用交叉熵和iou损失。

3、训练结果和验证结果

4、验证集检测结果

5、测试集检测结果