摘要：为实现计算机辅助系统精准、快速地检测宫颈异常细胞,提出一种基于卷积神经网络的宫颈细胞自动分类方法.首先复制预训练网络结构及参数来初始化分类网络,将宫颈细胞图像分批次传入网络;然后采用Softmax函数将网络输出数据归一化为各标签对应的概率值,并使用交叉熵作为损失函数;最后改进网络结构加入对数据的批归一化处理,通过反向传播算法优化参数使损失函数最小化,最终选择训练所得最优网络.使用5折交叉验证法在Herlev数据集上的实验结果表明,对比Herlev常用基准方法,该方法的特异性、调和平均数和准确率分别提高了19.46%, 10.71%和5.09%.

摘要：细胞分类是宫颈癌计算机辅助诊断研究和应用的关键技术.针对通用深度学习分类算法在细胞分类中缺少领域知识指导这一局限性,提出一种基于数据驱动和宫颈细胞领域知识的多流卷积神经网络分类算法.文中算法以细胞和细胞核图像为输入,通过卷积神经网络提取图像特征,并根据宫颈细胞标准分级系统中领域知识提取人工设计特征,最后将上述2种特征进行拼接,并经过全连接层融合,构建适用于细胞分类的多流卷积神经网络.实验结果表明,文中算法在仅使用Alexnet作为基础网络的情况下,在Herlev宫颈细胞图像数据集上的正常与异常细胞的分类准确率达到99%,取得了该数据库上目前最好的分类结果;在Ideepwise数据集上,按照细胞学诊断报告的分级准确率为85%,相比单流网络提升3%.

摘要：针对目前宫颈细胞分类准确率不高以及实时性差的问题,提出改进的协调注意力模块(improved coordinate attention,ICA),并结合新型残差结构Res2Net以及空间金字塔池化层,设计一种轻量级深度卷积神经网络ICARes2Net。利用Res2Net网络特征子块间的交叉卷积,提取特征层中更细粒度的信息;采用空间金字塔池化提取局部区域特征,从而在不增加训练参数量的同时有效提取特征;进一步引入改进的轻量级注意力模块,通过横向池化、纵向池化等操作,给予特征层各像素点不同的加权值,强化重要细节特征,帮助网络定位感兴趣对象。此外,为有效防止深度网络的退化,提出的ICA-Res2Net网络保留了残差网络的跳跃连接设计;并联合Softmax损失函数和中心损失函数对网络参数进行训练,提高其分类准确率。利用提出的轻量级网络对SIPaKMeD公开数据集中的宫颈细胞图像进行分类,测试集的分类准确率达到98.65%,且网络的训练参数比ResNet50、DenseNet121等经典网络更少,显著提升宫颈细胞图像的分类效率。

摘要：针对宫颈细胞进行取样和识别,并结合图像算法等相关技术,设计一种有效的宫颈细胞取样检测系统,利用智能机械运动设备、精密流体控制泵、深度学习等设计并搭建了一个自动化操作平台,通过RS485与基于C#语言编写的上位机系统建立串口通信,来完成对宫颈细胞的进样采集等一系列实验操作,并对采集到的宫颈细胞图像使用YOLOv3算法识别检测。实验结果证明了该系统的可行性与实用价值。

摘要：宫颈癌是目前唯一一种病因明确的妇科恶性肿瘤,通常采用宫颈细胞筛查来进行早期排查以及治疗。在细胞筛查过程中,为了发现早期的宫颈异常细胞,需要从显微细胞图像中准确分割出细胞核与细胞质。现有宫颈细胞分割方法存在计算量大、精确率低、数据不平衡所导致的学习困难等问题。为了提高宫颈细胞分割算法的性能,引入了多尺度卷积的思想,采用一种U型编码器-解码器模型,设计了一个端到端的细胞分割算法IR U⁃Net。主要包括:①利用多尺度卷积结构加宽网络,避免人工选择卷积核,能提取多尺度特征,同时在卷积结构中加入残差连接,来减少梯度消失等现象;②通过使用Leaky⁃ReLU减少“神经元死亡”导致的网络稀疏特征多、难以收敛的问题;③采用改进的损失函数Focal⁃Dice Loss以缓解数据不平衡的问题。仿真实验结果表明,改进后的模型相比对照算法在精度上有所提高,分割性能得到改善。

摘要：目的:研究一种新的官颈细胞薄层涂片方法,以提高传统手工涂片方法的制片质量。方法:随机选择的妇科门诊病人100例,随机分成2组,薄层细胞涂片组和手工涂片组,其中薄层细胞涂片组的刮片标本经过我们设计的双层滤网的过滤和分离液离心的步骤去除标本中的黏液、炎细胞和血细胞。这两组得到的涂片根据其细胞分布的均匀度及细胞重叠的多少,把涂片的结果分为满意、基本满意和不满意。结果:薄层细胞涂片组的涂片质量满意率(98％)高于手工涂片组的涂片质量满意程度(32％．P<0．01)。讨论:薄层细胞涂片法在宫颈细胞学检查中的满意程度明显好于传统手工涂片(P<0．01),有统计学意义。效果稳定,适合在大范围内推广。薄层细胞涂片法相对于传统手工涂片有5大优点,大大提高了宫颈细胞学诊断的准确性。