딥러닝은 고분광 혈세포 이미지 분류에 널리 적용되어 왔다. 그러나 전통적인 딥러닝 모델은 많은 양의 라벨링된 데이터를 샘플로 필요로 하며, 고분광 이미지의 "스펙트럼과 이미지의 통합" 특성을 간과하여 고분광 이미지 내재 정보를 충분히 활용하지 못하고, 매개변수가 많고 복잡도가 높은 문제점을 가진다. 이러한 문제를 해결하기 위해 공간-스펙트럼 분리 합성곱 신경망(S³CNN)을 제안했으며, 모델 복잡도를 낮추면서 고분광 혈세포 이미지 분류 성능을 효과적으로 향상시킨다. 고분광 혈세포 이미지 분포의 공간적 일관성에 따라 S³CNN 모델은 먼저 공간-스펙트럼 결합 거리(SSCD)를 통해 학습 집합 내 각 픽셀의 공간-스펙트럼 이웃을 얻고, 이 이웃에 해당 중심 픽셀과 동일한 레이블을 부여하여 샘플을 확장한다. 이후 네트워크 모델에서는 고전적인 합성곱을 대체하는 깊이별 합성곱과 점별 합성곱 조합을 사용하여 모델 복잡도를 최적화하고 혈세포 분류를 달성한다. Bloodcells1-3와 Bloodcells2-2 두 가지 다른 장면에서의 고분광 혈세포 데이터셋 실험 결과, 제안한 알고리즘의 전체 분류 정확도는 각각 87.32%, 89.02%에 달했다. 기존의 다른 전통 혈세포 분류 알고리즘과 비교할 때, 본 논문 알고리즘은 고분광 혈세포 이미지 분류 성능을 효과적으로 향상시킨다. 학습 시간 측면에서, 사용된 분리 가능 합성곱 모델은 고전적인 합성곱 모델에 비해 27%의 학습 시간을 단축했다. 실험 결과는 제안한 네트워크 프레임워크가 고분광 혈세포 분류 성능을 효과적으로 향상시키는 동시에 모델 학습 시간을 감소시킬 수 있음을 보여준다.

고분광 이미지; 혈세포 분류; 합성곱 신경망; 공간-스펙트럼 결합 거리; 분리 합성곱