[论文解读] Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling

Luu Le, Hong Cao+3 more|arXiv (Cornell University)|Mar 2, 2026

Digital Imaging for Blood Diseases被引用 0

一句话总结

这篇文章提出了一种基于染色归一化、解耦的两阶段训练框架，结合测试时增强和骨干网络集成，以应对域移位下的长尾白细胞分类，在 WBCBench 2026 上取得领先结果。

ABSTRACT

White blood cell (WBC) classification is fundamental for hematology applications such as infection assessment, leukemia screening, and treatment monitoring. However, real-world WBC datasets present substantial appearance variations caused by staining and scanning conditions, as well as severe class imbalance in which common cell types dominate while rare but clinically important categories are underrepresented. To address these challenges, we propose a stain-normalized, decoupled training framework that first learns transferable representations using instance-balanced sampling, and then rebalances the classifier with class-aware sampling and a hybrid loss combining effective-number weighting and focal modulation. In inference stage, we further enhance robustness by ensembling various trained backbones with test-time augmentation. Our approach achieved the top rank on the leaderboard of the WBCBench 2026: Robust White Blood Cell Classification Challenge at ISBI 2026.

研究动机与目标

• 解决 WBC 分类中来自染色和扫描的跨域差异。
• 缓解长尾类别分布以提升少数类的性能。
• 开发一个解耦的训练管线，将表征学习与分类器再平衡分离。
• 结合染色归一化、测试时增强与模型集成以提升鲁棒性。

提出的方法

• 应用 Macenko 染色归一化以对齐跨域的染色外观。
• 在 Stage 1 表征学习中使用实例均衡采样。
• 在 Stage 2 冻结骨干网络并使用类别均衡采样重新训练分类器。
• 在 Stage 2 使用将有效数字重新加权与焦点调制相结合的混合损失。
• 在推理阶段，进行测试时增强并对多种骨干网络（CNN 与 ViT）进行集成以提高鲁棒性。

Fig. 1 : Overview of our proposed framework for WBC classification

实验结果

研究问题

• RQ1 染色归一化和解耦训练策略在没有目标域标签的情况下，是否能改善长尾分布下的跨域 WBC 分类？
• RQ2 类别均衡采样与混合损失对少数类敏感性及总体宏观指标有何影响？
• RQ3 将 CNN 和 Transformer 骨干网络结合测试时增强是否比单模型方法更具鲁棒性？

主要发现

• 解耦学习提高了宏观平衡指标，例如 ResNet50 的 MF1 从 65.8 提升到 70.4，ResNet152 的 MF1 从 68.7 提升到 70.6。
• 在解耦下，Backbone Swin 实现了单模型最高的 BAcc（80.9），但 MF1 和 MP 较低，表明不同架构的标定存在差异。
• 对骨干网络进行集成（R50+R152、R50+Swin、R152+Swin）进一步带来提升，完整集成的 MF1 为 74.2，BAcc 为 77.1。
• 总体而言，具备类别感知的再平衡和混合损失在提升少数类敏感性方面效果明显，而对多数类影响有限。
• 最终鲁棒性提升未使用目标域标签，依赖于解耦、TTA 与集成。

Fig. 2 : Confusion matrix of our best model on WBCBench 2026 Challenge Benchmark.