基于改进ResNet网络的宫颈癌细胞识别

发布时间：2021-08-24 04:31

　　宫颈癌细胞识别作为宫颈癌防治工作的关键技术之一,对减少女性因患宫颈癌的死亡率具有重要意义。由于细胞图像复杂多变,且现有的识别网络参数量和计算量巨大,基于深度学习的宫颈癌细胞识别存在检测识别率低下、硬件配置需求较高、检测耗时等问题。因此优化宫颈癌细胞识别网络结构是一项具有挑战意义和研究价值的工作,也是关乎女性健康的重要课题。针对上述问题,本文优化了特征提取网络和SSD算法提出了基于改进ResNet的宫颈癌细胞识别网络,并引入了 OD-FWSI算法和全局逐步网络压缩算法用于网络压缩和加速。本文的具体工作如下:（1）提出基于改进ResNet的宫颈癌细胞识别网络用于细胞图像识别。该网络在目前最具影响力的SSD目标检测模型上进行两方面改进。一方面借鉴深度残差网络和密集连接卷积网络结构的优点,同时结合图像特征融合的思想,提出了改进ResNet特征提取网络;另一方面,提出了针对宫颈癌细胞识别的SSD算法,通过改进先验框选取设计、先验框与细胞匹配原则和损失函数三方面,提高了宫颈癌细胞识别的准确率。（2）由于上述网络计算复杂度高,参数众多,需要耗费大量的时间和昂贵的硬件设施去对宫颈癌细胞图像进行识别。因... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图２－２稀疏交互的图形示意图??

输入影响４，当＊ｓ■是由全连接运算得出时，：＾，１２，：》：３，：》：４，１５的输入都会影响＆。??在整个卷积神经网络中，处于深层的网络单元尽管没有与输入图像直接相连，??但它可以间接地感知输入图像中的绝大多数信息，如图２－３所示。处于深层的网??络单元，他们的感受野要比处在浅层的感受野更大，这使得卷积神经网络通过稀??疏交互的方法能够大大降低整个网络参数量的同时实现输入信息的复杂交互。??０？Ｑ？？??图２－３深层网络的单元感受野大小示意图??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｕｎｉｔ?ｓｅｎｓｉｎｇ?ｆｉｅｌｄ?ｓｉｚｅ?ｏｆ?ｄｅｅｐ?ｎｅｔｗｏｒｋ??（２）参数共享是指输入共享同一权重，卷积层中的卷积核同时作用于上一??层输入的每一块域。参数共享的具体实现如图２－４所示。黑色箭头表示在卷积运??算中对卷积核中间参数的使用。图２－４上面因为参数共享，这个参数被用于输入??图像的所有位置。图２－４下面是全连接模型，该参数只用于一个位置的输入信息??Ａ。??？?？?？?？?Ｇ）??（Ｖ）?（Ｗ）?（Ｗ）?（Ｖ）?（Ｖ）??？?？?０?？?？??？?＠?？?？?？??图２－４网络参数共享示意图??Ｆｉｇｕｒｅ?２－４?Ｎｅｔｗｏｒｋ?ｐａｒａｍｅｔｅｒ?ｓｈａｒｉｎｇ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??在卷积运算中，参数共享同样降低了整个网络的参数量，保证了我们只需要??９??

输入影响４，当＊ｓ■是由全连接运算得出时，：＾，１２，：》：３，：》：４，１５的输入都会影响＆。??在整个卷积神经网络中，处于深层的网络单元尽管没有与输入图像直接相连，??但它可以间接地感知输入图像中的绝大多数信息，如图２－３所示。处于深层的网??络单元，他们的感受野要比处在浅层的感受野更大，这使得卷积神经网络通过稀??疏交互的方法能够大大降低整个网络参数量的同时实现输入信息的复杂交互。??０？Ｑ？？??图２－３深层网络的单元感受野大小示意图??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｕｎｉｔ?ｓｅｎｓｉｎｇ?ｆｉｅｌｄ?ｓｉｚｅ?ｏｆ?ｄｅｅｐ?ｎｅｔｗｏｒｋ??（２）参数共享是指输入共享同一权重，卷积层中的卷积核同时作用于上一??层输入的每一块域。参数共享的具体实现如图２－４所示。黑色箭头表示在卷积运??算中对卷积核中间参数的使用。图２－４上面因为参数共享，这个参数被用于输入??图像的所有位置。图２－４下面是全连接模型，该参数只用于一个位置的输入信息??Ａ。??？?？?？?？?Ｇ）??（Ｖ）?（Ｗ）?（Ｗ）?（Ｖ）?（Ｖ）??？?？?０?？?？??？?＠?？?？?？??图２－４网络参数共享示意图??Ｆｉｇｕｒｅ?２－４?Ｎｅｔｗｏｒｋ?ｐａｒａｍｅｔｅｒ?ｓｈａｒｉｎｇ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??在卷积运算中，参数共享同样降低了整个网络的参数量，保证了我们只需要??９??


本文编号：3359283