液基宫颈细胞学图像中用于多细胞分类的深度学习模型比较
图像与视频处理
2020-05-01 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
液基细胞学（LBC）是一种可靠的自动化技术，用于巴氏（Pap）涂片数据的筛查。它是一种有效的技术，可收集大部分宫颈细胞并辅助细胞病理学家定位异常细胞。研究文献中发表的大多数方法依赖于准确的细胞分割作为前提，但由于染色一致性、细胞簇存在等多种因素，这仍然具有挑战性。我们提出了一种通过生成带标签的宫颈斑块数据并微调卷积神经网络提取深度层次特征来自动分类宫颈玻片图像的方法，以及一种用于细胞级评估的基于图的新型细胞检测方法。结果表明，所提出的流程能够对单细胞和重叠细胞的图像进行分类。研究发现 VGG-19 模型在分类宫颈细胞学斑块数据时表现最佳，在精确率-召回率曲线下准确率达 95%。
引用
@article{arxiv.1910.00722,
title = {Comparing Deep Learning Models for Multi-cell Classification in Liquid-based Cervical Cytology Images},
author = {Sudhir Sornapudi and G. T. Brown and Zhiyun Xue and Rodney Long and Lisa Allen and Sameer Antani},
journal= {arXiv preprint arXiv:1910.00722},
year = {2020}
}
备注
AMIA 2019 Annual Symposium, Washington DC