基于卷积神经网络和迁移学习的宫颈细胞学图像异常区域检测

发布时间：2024-02-26 05:55

　　宫颈癌是妇科最常见的恶性肿瘤,也是恶性肿瘤中唯一病因明确、可以早期预防和治疗的癌症。细胞学检查是目前最常见的早期宫颈癌筛查技术。由于人口众多,自动化阅片成为满足我国妇女定期宫颈癌筛查需求的必要条件,研发计算机辅助阅片系统迫在眉睫,其中最关键的一个步骤是从宫颈细胞学图像的海量细胞中快速准确地定位异常区域。本文提出了基于卷积神经网络和迁移学习的宫颈细胞学图像异常区域检测算法。首先设计了基于卷积神经网络的宫颈细胞学图像异常区域检测框架,框架分为三大部分:特征提取子网络、区域粗检测子网络和区域精检测子网络。特征提取子网络主要负责提取相关特征向量。本文根据宫颈细胞图像的目标面积较小、尺度敏感等特点设计并实现了能够精准提取宫颈细胞图像高层语义信息和底层细节信息的特征提取子网络。区域粗检测子网络负责从原图中产生尽可能多的目标候选区域。区域精检测子网络采用全卷积网络结构,对候选区域进行精准的再分类和位置回归,其中针对宫颈异常区域的尺度敏感特点,提出了尺度敏感的感兴趣区域池化层。最后,本文还提出了一套改进的评估方案,强调了宫颈细胞学图像异常区域检测中的定位准确度。为了解决不同批次宫颈细胞学图像数据存在差...

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图1-1不同视野数据集样本对比，第一幅图是本文实验使用的大视野图像，后面三幅是Herlev数据集的单细胞图像

耗了额外的人力资源。图1-1给出了两种不同情景下数据集的对比。如果直接对全视野图像进行处理，不仅可以节省中间的人工成本，而且还可以提高分割和分类耗费在正常细胞核上的时间代价，满足临床筛查的实时性要求。

图2-2YOLO的网络框架

图2-2YOLO的网络框架[64]针对YOLO类算法的定位精度问题，2016年北卡大学教堂山分校的Liu等人[67]提出SSD算法，将YOLO的回归思想和FasterR-CNN的anchor机制结合。通过在不同卷积层的特征图上预测物体区域，输出离....

图2-3不同数据集的目标面积占比和数量分布比较

中可以发现PascalVOC2012数据集的目标面积占比一般比较大，面积占比为0.03%以下的小目标只有29.28%，而宫颈细胞图像数据集的小目标数量占比为95.03%，几乎全是小目标，这也是两者的重要区别之一。现有的检测框架在进行目标分类时会有选择性地倾向于大目标的....

图2-4PascalVOC2012数据集样本和本文使用数据集对比

细胞和正常细胞的至关重要的特征之一。宫颈脱落细胞中，异常细胞的面积一般是细胞面积的2-3倍。然而，目前许多的检测器比如FasterR-CNN中的感兴趣池化层不同大小的感兴趣区域池化到同一个尺寸，导致感兴趣区域级别的特征图丢失了关积的差异信息，给宫颈细胞检测带来了一定的阻....

本文编号：3911434