一种融合个性化细胞关系和背景信息的宫颈细胞分类方法

宫颈细胞分类在宫颈癌辅助诊断中发挥着重要的作用。然而,现有的宫颈细胞分类方法未充分考虑细胞关系和背景信息,也没有模拟病理医生的诊断方式,导致分类性能较低。因此,该文提出了一种融合细胞关系和背景信息的宫颈细胞分类方法,由基于细胞关系的图注意力分支(GAB-CCR)和背景信息注意力分支(BAB-WSI)组成。GAB-CCR采用细胞特征间的余弦相似度,首先构建相似和差异细胞关系图,并利用GATv2增强模型对细胞关系建模。BAB-WSI使用多头注意力模块捕捉涂片背景上的关键信息并反映不同区域的重要性。最后,将增强后的细胞特征和背景特征融合,提升了网络的分类性能。实验表明,相比于基线模型Swin Transformer-L,所提方法在准确率、敏感度、特异性和F1-Score分别提高了15.9%,30.32%,8.11%和31.62%。

基于知识蒸馏的宫颈细胞图像分类研究

宫颈癌筛查对宫颈癌预防和早期宫颈癌诊断具有重要意义。针对现有宫颈细胞图像分类模型泛化能力不足、参数量大、对硬件要求高且难以部署终端等问题,提出一种基于知识蒸馏的宫颈细胞图像分类方法。使用残差网络为骨干网络,以ResNet18为基础学生网络,引入知识蒸馏机制使用ResNet34作为教师网络进行指导学习。采用迁移学习方法提高教师模型基准精度;将教师网络概率预测知识通过知识蒸馏传递给学生网络进行学习,以提升学生模型分类准确率。实验结果表明:知识蒸馏优化后的学生网络ResNet18精度高达95.59%,相比未优化前精度91.13%提升了4.46个百分点。蒸馏优化后的模型参数量小、精度高,网络的整体性能优秀,为建立临床轻量级宫颈细胞图像分类模型研究提供了参考。

基于改进CNN的宫颈细胞自动分类算法

本文采用深度学习算法中的卷积神经网络对细胞图像进行识别,实现对宫颈细胞图像的自动分类.首先对宫颈细胞进行预处理,通过细胞核裁剪解决图像输入尺寸不一的问题,对图像进行翻转平移,对数据集进行扩充,并解决样本量不均衡的问题;接着选取VGG-16网络进行改进,使用改进后的VGG-16网络进行特征提取,以及细胞分类;并采用迁移学习的方法加载预训练网络参数,进而加快参数收敛速度,提高分类准确率;最终通过对网络的训练,得到了较好的分类结果,将分类结果与人工提取特征设计分类器的方法相比,分类的准确率有所提高,二分类的准确率达97.3%,七分类的准确率达89%.实验结果表明:卷积神经网络对宫颈细胞图像进行自动分类,分类准确率相比较人工提取特征分类器效果较好,且分类结果不受分割图像准确率的影响.

两阶段分析的异常簇团宫颈细胞检测方法

异常细胞检测是宫颈癌智能辅助诊断的关键技术,直接影响着检测系统的性能。但宫颈异常细胞大多以簇团的形式存在,细胞相互粘连、复杂多样,给异常细胞检测带来了挑战。为解决这一问题,本文提出了一种两阶段簇团宫颈异常细胞检测方法。该方法在第一阶段采用YOLO-v5目标检测网络,利用可变形卷积替换网络中的标准卷积,使卷积核的大小和位置可以根据当前病理图像内容进行动态调整,以适应不同簇团宫颈细胞的形状、大小等几何形变。在第二阶段利用监督对比学习网络学习正、异常簇团宫颈细胞之间的特征差异,实现高准确率的正、异常簇团宫颈细胞分类。实验表明,簇团宫颈细胞召回率达到89.69%,相比基线网络YOLO-v5提升了1.43%,正、异常簇团宫颈细胞分类准确率达到87.81%,相比基线网络ResNet提升了10.31%。