深層学習は高スペクトル血球画像分類に広く応用されている。しかし、従来の深層学習モデルは大量のラベル付きデータをサンプルとして必要とし、高スペクトル画像の「スペクトルと画像の一体性」という性質を無視しており、高スペクトル画像内に内在する情報を十分に活用できない上、パラメータが多く複雑であるという問題がある。これらの問題を解決するために、空間-スペクトル分離可能畳み込みニューラルネットワーク（S³CNN）を提案し、モデルの複雑性を低減しつつ、高スペクトル血球画像分類性能を効果的に向上させる。高スペクトル血球画像分布の空間的一貫性に基づき、S³CNNモデルはまず空間-スペクトル結合距離（SSCD）を用いて訓練セット内の各ピクセルの空間-スペクトル近傍を取得し、これらの近傍に対応する中心ピクセルと同じラベルを付与してサンプルを拡張する。次に、ネットワークモデルでは、従来の畳み込みに代わり、深度方向の畳み込みと点方向の畳み込みの組み合わせを使用し、モデルの複雑性を最適化し血球分類を実現する。Bloodcells1-3およびBloodcells2-2という異なる2つのシーンでの高スペクトル血球データセットに関する実験結果は、本論文のアルゴリズムの総合分類精度がそれぞれ87.32％、89.02％に達することを示した。従来の他の血球分類アルゴリズムと比較して、本論文のアルゴリズムは高スペクトル血球画像の分類性能を効果的に向上させることができる。学習時間に関しては、提案した分離可能畳み込みモデルが従来の畳み込みモデルよりも27％学習時間を短縮した。実験結果は、提案したネットワークフレームワークが高スペクトル血球分類性能を効果的に向上させるだけでなく、モデルの学習時間を短縮できることを示している。

高スペクトル画像; 血球分類; 畳み込みニューラルネットワーク; 空間-スペクトル結合距離; 分離可能畳み込み