结合层次法与主成分分析特征变换的宫颈细胞识别

对宫颈细胞进行多分类可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法进行实验后,选取支持向量机作为基分类器,先用一对一策略训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。考虑不同层特征模式的差异性,在保证识别性能的同时,每层分类前先采用主成分分析法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次主成分分析法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。

基于样本基准值的宫颈异常细胞识别方法

利用深度学习方法的宫颈异常细胞识别通常需要大量的训练数据,然而这些数据不可避免的使用不同样本的宫颈异常细胞参与模型训练,天然地缺失了单个样本内正、异常细胞内对照,导致宫颈异常细胞的识别精度不高,假阳性率高。为解决这一问题,提出了一种基于样本基准值的宫颈异常细胞识别方法。该方法首先通过Mask R-CNN模型对宫颈细胞进行识别和宫颈细胞核分割;然后计算关键性宫颈细胞核指标,提出基准细胞概念,定义样本基准值,量化诊断标准;最后利用异常细胞核指标和模型信息完成宫颈异常细胞重分类,模拟医生对比样本内正常细胞的形态识别异常细胞,实现样本内宫颈正、异常细胞对照识别。实验表明,该方法在宫颈细胞涂片数据集上的阳性细胞查全率、阳性细胞检出准确率、样本检测准确率分别达到84.7%、94.6%、92.4%。