基于Mask R-CNN的宫颈细胞图像分割

宫颈细胞图像中目标分割的精度直接影响对疾病的判别和诊断,宫颈细胞图像中有不同种类的多个目标,所以有必要对宫颈细胞图像进行实例分割。为了获得更好的宫颈细胞图像实例分割效果,文章在Mask R-CNN的基础上提出了一种宫颈细胞图像实例分割方法,在网络中的特征金字塔网络(FPN)中加入空洞卷积将其改造为DFPN,减少图像信息的损失来提升分割的准确度。在TCTCOCO数据集的测试结果表明,该方法提高了宫颈细胞图像分割的精度。

基于卷积神经网络的医学宫颈细胞图像的语义分割

显微细胞分割的精度直接影响疾病的判别诊断,特别在宫颈细胞的显微病理图像中,细胞核的形态大小、与细胞质之间的比例参数等对于病情的良恶诊断具有重大的意义.为提高宫颈细胞核质分割的精度,提出一种基于卷积神经网络的医学宫颈细胞图像的语义分割方法.标定宫颈细胞显微图像中的细胞核和细胞质轮廓,制作基于长沙市第二人民医院的基于新柏氏液基细胞学检测TCT(Thinprep cytologic test)制片技术的宫颈TCT细胞涂片的CCTCT数据集;通过卷积神经网络对核质分割模型进行训练,避免人工提取特征;通过反卷积达到图像的语义分割.实验结果表明,该算法在宫颈细胞的显微病理图像中的核质分割准确率高达94.7%,具有很高的鲁棒性和适应性.