基于比较的卷积神经网络在有限数据场景下的宫颈细胞/细胞团检测
计算机视觉与模式识别
2019-12-24 v5
摘要
宫颈癌细胞或细胞团的自动检测有潜力显著降低宫颈筛查中的错误率并提升效率。然而，大多数传统方法依赖于准确的细胞分割与判别性手工特征提取的成功。近来出现了一些基于深度学习的方法，其训练卷积神经网络（CNN）对图像块进行分类，但计算开销大。在本文中，我们提出一种高效的基于CNN的目标检测方法用于宫颈癌细胞/细胞团检测。具体而言，我们利用最先进的两阶段目标检测方法，即带有特征金字塔网络（FPN）的Faster-RCNN作为基线，并提出一种新颖的比较检测器以应对有限数据问题。其核心思想是通过与目标检测中各类别的参考样本进行比较来对候选框进行分类。此外，我们提出从数据中学习背景的参考样本，而非通过某些启发式规则手动选取。实验结果表明，所提出的比较检测器在小数据集上取得显著改进，达到平均精度均值（mAP）26.3%和平均召回率（AR）35.7%，相比基线均提升约20个点。而且，在中等数据集上训练时，比较检测器将AR提升4.6个点，并在mAP方面相比基线模型取得略优的性能。我们的方法有望用于开发自动化辅助宫颈筛查系统。代码见 https://github.com/kuku-sichuan/ComparisonDetector。
引用
@article{arxiv.1810.05952,
title = {Comparison-Based Convolutional Neural Networks for Cervical Cell/Clumps Detection in the Limited Data Scenario},
author = {Yixiong Liang and Zhihong Tang and Meng Yan and Jialin Chen and Qing Liu and Yao Xiang},
journal= {arXiv preprint arXiv:1810.05952},
year = {2019}
}