DeepCervix:基于混合深度特征融合技术的宫颈细胞分类深度学习框架
图像与视频处理
2021-08-31 v2 计算机视觉与模式识别
摘要
宫颈癌是妇女中最常见的致命癌症之一,可通过定期筛查早期发现癌前病变并治疗来预防。巴氏涂片检查是广泛使用的宫颈癌早期筛查技术,但该人工筛查方法因人为误差导致假阳性率高。为改进人工筛查实践,基于机器学习(ML)与深度学习(DL)的计算机辅助诊断(CAD)系统已被广泛研究用于宫颈巴氏细胞分类。多数现有研究需要预分割图像以获得良好分类结果,而由于细胞聚集,准确的宫颈细胞分割具有挑战性。一些研究依赖手工特征,无法保证分类阶段的最优性。此外,当数据分布不均(在宫颈细胞数据集中普遍存在)时,DL在多类分类任务上表现不佳。本研究通过提出DeepCervix——一种基于DL的混合深度特征融合(HDFF)技术来准确分类宫颈细胞——解决了上述局限。我们提出的方法使用多种DL模型捕获更多潜在信息以提升分类性能。所提HDFF方法在公开可用的SIPAKMED数据集上测试,并与基础DL模型及LF方法比较性能。对于SIPAKMED数据集,我们在2类、3类和5类分类上分别取得了99.85%、99.38%和99.14%的业界最佳分类准确率。此外,我们的方法在Herlev数据集上测试,二分类准确率达98.32%,7类分类达90.32%。
引用
@article{arxiv.2102.12191,
title = {DeepCervix: A Deep Learning-based Framework for the Classification of Cervical Cells Using Hybrid Deep Feature Fusion Techniques},
author = {Md Mamunur Rahaman and Chen Li and Yudong Yao and Frank Kulwa and Xiangchen Wu and Xiaoyan Li and Qian Wang},
journal= {arXiv preprint arXiv:2102.12191},
year = {2021}
}
备注
12 pages, 8 figures, Published in Computers in Biology and Medicine