DeepPap：用于宫颈细胞分类的深度卷积网络
计算机视觉与模式识别
2018-01-29 v1
摘要
通过巴氏涂片或液基细胞学（LBC）的自动化辅助宫颈筛查是一种基于细胞成像的高效癌症检测工具，其中细胞被划分为“异常”和“正常”两类。然而，大多数传统分类方法的成功依赖于精确的细胞分割。尽管该领域已有六十年的研究，在存在细胞团和病变的情况下，精确分割仍具挑战。此外，以往的分类方法仅建立在形态学和纹理等手工特征提取之上。本文提出一种基于卷积神经网络（ConvNets）利用深度特征直接对宫颈细胞进行分类（无需预先分割）的方法，以解决上述局限。首先，ConvNet在自然图像数据集上预训练，随后在由粗略以细胞核为中心的自适应重采样图像块组成的宫颈细胞数据集上微调。在测试阶段，采用聚合方法对相似图像块集合的预测分数取平均。所提方法在巴氏涂片和LBC数据集上进行了评估。结果表明，在Herlev基准巴氏涂片数据集上采用五折交叉验证时，我们的方法在分类准确率（98.3%）、曲线下面积（AUC）（0.99）值，尤其是特异度（98.3%）上优于以往算法。在HEMLBC（H&E染色手工LBC）数据集上也取得了类似优越性能。我们的方法有望用于初级宫颈筛查中自动化辅助阅片系统的开发。
引用
@article{arxiv.1801.08616,
title = {DeepPap: Deep Convolutional Networks for Cervical Cell Classification},
author = {Ling Zhang and Le Lu and Isabella Nogues and Ronald M. Summers and Shaoxiong Liu and Jianhua Yao},
journal= {arXiv preprint arXiv:1801.08616},
year = {2018}
}