随着机器视觉技术的发展，其在医疗健康领域的应用越来越广泛。在癌症研究领域，机器视觉技术的应用正在帮助更准确地诊断疾病、寻找治疗方法，并开发新的研究方法。丹麦奥胡斯大学的研究人员Mateo Sokac正在通过目标检测技术推进癌症研究的进展。他的工作基于他在罗切斯特理工学院的本科学习，该学院在图像识别技术方面处于领先地位。
中性粒细胞是动物免疫系统中的一种白细胞，在人类中，中性粒细胞有助于愈合伤口和抵抗感染。在显微镜下识别和测量它们的存在是评估给定实验效果的关键步骤。Mateo的团队目前正进行实验，以确定哪些细胞群体的区域在动物群体中富集。随着时间的推移，这些技术将被应用于人类，以推进癌症研究。
为了提高实验室的工作效率，Mateo寻求训练一个模型，以更准确地在干式显微镜下识别中性粒细胞，就像在浸入式显微镜下一样准确。Mateo在浸入式标记的图像上训练了一个模型，并在干式显微镜图像上进行了验证。最初，他有127张图像，通过Roboflow增强到451张，并看到了平均精度为0.70——比他未增强的结果提高了10%。
Mateo轻松地尝试了通过Roboflow模型库训练多种架构，包括YOLOv5、EfficientDet、MobileNetSSD等。由于输入图像很大（27000 x 27000像素），Mateo的团队利用分块来提高模型性能。分块是将大的输入图像分割成更小的输入图像，以便模型可以在更高像素密度的图像上进行训练和性能推理。例如，如果一个输入图像是1600 x 1600，但模型只能在800 x 800的输入图像上执行，将图像分成四块可以使输入图像保持其原始图像质量。Roboflow Pro支持将分块作为预处理步骤轻松实现。
在Mateo的情况下，一个单独标记的示例如下所示：标记的中性粒细胞的一个分块。（图片来源：Mateo Sokac）在图像分块后，它通过模型运行以计数中性粒细胞，然后团队重建各个分块以创建完整的图像输出。这些单个分块的预测如下所示：中性粒细胞识别的输出图像分块的预测。数字指的是模型预测的每个标签的置信度。（图片来源：Mateo Sokac）
一旦每个单独的分块进行了推理，分块就被重建成它们27000 x 27000像素的最终形式。结果使Mateo的团队能够更快速、更准确地确定实验效果。输出图像非常惊人：来自Mateo实验室的完整重建图像。每个单独的绿色斑点都是模型识别的标记输出中性粒细胞。看到完整大小的图像后，很明显为什么分块是捕捉Mateo团队实现准确结果所需的详细细节的必要条件！