基于 PCA 与 GWO 增强深度特征选择的宫颈细胞学分类
计算机视觉与模式识别
2021-10-25 v1 人工智能
摘要
宫颈癌是全球女性中最致命且最常见的疾病之一。若在早期确诊则完全可治愈，但繁琐且昂贵的检测流程使得人群普筛难以推行。因此，为辅助临床医生工作，本文提出一种全自动框架，利用深度学习与基于进化优化的特征选择进行细胞学图像分类。所提框架从多个卷积神经网络（CNN）模型中提取深度特征，并采用两步特征约简方法以降低计算成本并加速收敛。CNN 模型提取的特征构成大特征空间，其维度经主成分分析（PCA）降低，同时保留 99% 的方差。随后利用进化优化算法灰狼优化器（Grey Wolf Optimizer, GWO）从该特征空间中选取非冗余的最优特征子集，从而提升分类性能。最终，所选特征子集用于训练 SVM 分类器以生成最终预测。所提框架在三个公开基准数据集上评估：Mendeley Liquid Based Cytology（4 类）数据集、Herlev Pap Smear（7 类）数据集与 SIPaKMeD Pap Smear（5 类）数据集，分别取得 99.47%、98.32% 与 97.87% 的分类准确率，由此印证了方法的可靠性。所提方法的相关代码见：https://github.com/DVLP-CMATERJU/Two-Step-Feature-Enhancement
引用
@article{arxiv.2106.04919,
title = {Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection},
author = {Hritam Basak and Rohit Kundu and Sukanta Chakraborty and Nibaran Das},
journal= {arXiv preprint arXiv:2106.04919},
year = {2021}
}
备注
28 pages