In medicine, white blood cells (WBCs) play an important role in the human immune system. The different types of WBC abnormalities are related to different diseases so that the total number and classification of WBCs are critical for clinical diagnosis and therapy. However, the traditional method of white blood cell classification is to segment the cells, extract features, and then classify them. Such method depends on the good segmentation, and the accuracy is not high. Moreover, the insufficient data or unbalanced samples can cause the low classification accuracy of model by using deep learning in medical diagnosis. To solve these problems, this paper proposes a new blood cell image classification framework which is based on a deep convolutional generative adversarial network (DC-GAN) and a residual neural network (ResNet). In particular, we introduce a new loss function which is improved the discriminative power of the deeply learned features. The experiments show that our model has a good performance on the classification of WBC images, and the accuracy reaches 91.7%. Graphical Abstract Overview of the proposed method, we use the deep convolution generative adversarial networks (DC-GAN) to generate new samples that are used as supplementary input to a ResNet, the transfer learning method is used to initialize the parameters of the network, the output of the DC-GAN and the parameters are applied the final classification network. In particular, we introduced a modified loss function for classification to increase inter-class variations and decrease intra-class differences.

中文翻译：

---

将DC-GAN与ResNet结合用于血细胞图像分类。

在医学中，白细胞（WBC）在人类免疫系统中起重要作用。白细胞异常的不同类型与不同疾病有关，因此白细胞的总数和分类对于临床诊断和治疗至关重要。但是，传统的白细胞分类方法是对细胞进行分割，提取特征然后进行分类。这种方法依赖于良好的分割，准确性不高。此外，数据不足或样本不平衡会导致在医学诊断中使用深度学习导致模型的分类准确性低。为了解决这些问题，本文提出了一种新的血细胞图像分类框架，该框架基于深度卷积生成对抗网络（DC-GAN）和残差神经网络（ResNet）。尤其是，我们引入了新的损失函数，该函数提高了深度学习特征的判别能力。实验表明，该模型对白细胞图像分类具有良好的性能，准确率达到91.7％。所提方法的图形摘要概述，我们使用深度卷积生成对抗网络（DC-GAN）生成新样本，用作ResNet的补充输入，转移学习方法用于初始化网络的参数， DC-GAN的输出和参数将应用于最终分类网络。特别是，我们引入了用于分类的修正损失函数，以增加类间差异并减少类内差异。实验表明，该模型对白细胞图像分类具有良好的性能，准确率达到91.7％。拟议方法的图形摘要概述，我们使用深度卷积生成对抗网络（DC-GAN）生成新样本，用作ResNet的补充输入，转移学习方法用于初始化网络的参数， DC-GAN的输出和参数将应用于最终分类网络。特别是，我们引入了用于分类的修正损失函数，以增加类间差异并减少类内差异。实验表明，该模型对白细胞图像分类具有良好的性能，准确率达到91.7％。所提方法的图形摘要概述，我们使用深度卷积生成对抗网络（DC-GAN）生成新样本，用作ResNet的补充输入，转移学习方法用于初始化网络的参数， DC-GAN的输出和参数将应用于最终分类网络。特别是，我们引入了用于分类的修正损失函数，以增加类间差异并减少类内差异。我们使用深度卷积生成对抗网络（DC-GAN）生成新样本，用作ResNet的补充输入，转移学习方法用于初始化网络的参数，DC-GAN和参数应用于最终分类网络。特别是，我们引入了用于分类的修正损失函数，以增加类间差异并减少类内差异。我们使用深度卷积生成对抗网络（DC-GAN）生成新样本，用作ResNet的补充输入，转移学习方法用于初始化网络的参数，DC-GAN和参数应用于最终分类网络。特别是，我们引入了用于分类的修正损失函数，以增加类间差异并减少类内差异。