1. 本选题研究的目的及意义
血细胞是人体血液中重要的组成部分，其形态、数量和比例的变化往往预示着各种疾病的发生。
传统的血细胞检测方法主要依赖于人工显微镜观察和计数，这种方法存在着诸多局限性，例如：主观性强、效率低下、易受人为因素影响等。
因此，开发一种自动化、高效、准确的血细胞检测方法具有重要的临床意义。
2. 本选题国内外研究状况综述
近年来，深度学习技术在图像识别、目标检测等领域取得了突破性进展，为医学图像处理带来了新的机遇。
血细胞自动检测作为医学图像处理的重要应用领域之一，也吸引了国内外学者的广泛关注。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
本选题将围绕基于深度学习的血细胞自动检测展开研究，主要内容包括以下几个方面：
1. 主要内容
1.数据集构建与分析:-收集和整理来自不同医疗机构的血细胞图像数据，构建大规模、高质量的血细胞图像数据集。
4. 研究的方法与步骤
本研究将采用以下方法和步骤：
1.文献调研阶段：深入研究血细胞形态学、深度学习、医学图像处理等相关领域的文献资料，了解国内外研究现状、最新进展和发展趋势，为本研究提供理论基础和技术参考。
2.数据集构建阶段：从合作医院或公开数据库获取血细胞图像数据，并对原始数据进行预处理，包括图像格式转换、去噪、增强、分割等操作，以提高图像质量。
同时，对处理后的图像进行人工标注，标记出不同类型血细胞的位置和类别信息，构建大规模、高质量的标注数据集，用于后续模型训练和测试。
5. 研究的创新点
本研究的创新点主要体现在以下几个方面：
1.构建大规模、高质量的血细胞图像数据集：针对现有公开数据集规模小、质量参差不齐的问题，本研究将收集和整理来自不同医疗机构的血细胞图像数据，构建大规模、高质量的血细胞图像数据集，为深度学习模型的训练和测试提供更可靠的数据基础。
2.改进和优化深度学习模型：针对现有深度学习模型在血细胞检测中存在的一些问题，例如：对复杂背景下的细胞识别率不高、对细胞形态变化的鲁棒性较差等，本研究将根据血细胞图像的特点对模型进行改进和优化，例如：引入注意力机制、多尺度特征融合等方法，以提高模型的检测精度和鲁棒性。
3.探索深度学习模型的可解释性：针对深度学习模型的黑盒问题，本研究将尝试使用一些可视化技术和解释性方法，例如：Grad-CAM、LIME等，对模型的决策过程进行解释，提高模型的透明度和可信度。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
1. 刘文静,王耀南,谭浩,等. 基于深度学习的医学图像分割综述[J]. 软件学报, 2019, 30(2): 362-381.
2. 张宪民,杨健,郑南宁. 基于深度学习的细胞图像分割与分类方法研究进展[J]. 自动化学报, 2020, 46(7): 1311-1329.
3. 谢天宝,李晓光,李冠章,等. 基于改进YOLOv3的显微白细胞检测[J]. 计算机工程, 2020, 46(10): 299-305.
