基于YOLO模型的宫颈细胞簇团智能识别方法

针对宫颈细胞簇团自动识别问题,本文提出了一种基于YOLO v2模型的智能识别方法。首先,针对宫颈细胞簇团识别任务的特点,采用resnet 50模型作为YOLO v2网络的基础特征提取模块。同时,提出了相应的数据扩增方法与YOLO v2网络的训练方案。同时,我们收集宫颈细胞液基涂片扫描图像,建立了宫颈细胞簇团图像数据集,并由细胞病理专家对其中的细胞簇团进行了标注。实验表明,本文方法能够有效完成宫颈细胞病变簇团的自动识别,在测试图像集中,针对细胞簇团识别的准确率为75.9%,召回率为86.3%;针对宫颈细胞图像识别的准确率为87.0%,召回率为86.7%。本文将深度学习技术引入到宫颈细胞辅助筛查领域,对于促进宫颈癌早期自动筛查系统的研究,具有重要意义。

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%。