探索上下文关系以用于宫颈异常细胞检测
计算机视觉与模式识别
2022-07-19 v2
摘要
宫颈异常细胞检测是一项具有挑战性的任务，因为异常细胞与正常细胞之间的形态差异通常很细微。为判定一个宫颈细胞正常与否，细胞病理学家总是将周围细胞作为参考来识别其异常性。为模拟这些行为，我们提出探索上下文关系以提升宫颈异常细胞检测的性能。具体而言，我们利用细胞间以及细胞到全局图像的上下文关系来增强每个感兴趣区域（RoI）候选框的特征。相应地，我们开发了称为RoI关系注意力模块（RRAM）和全局RoI注意力模块（GRAM）的两个模块，并研究了它们的组合策略。我们使用带特征金字塔网络（FPN）的Double-Head Faster R-CNN建立了一个强基线，并将我们的RRAM和GRAM集成其中以验证所提模块的有效性。在一个大型宫颈细胞检测数据集上的实验表明，引入RRAM和GRAM均比基线方法取得了更好的平均精度（AP）。此外，当级联RRAM和GRAM时，我们的方法优于最先进（SOTA）方法。进一步，我们还展示了所提特征增强方案可同时促进图像级和涂片级分类。代码与训练模型已公开于 https://github.com/CVIU-CSU/CR4CACD。
引用
@article{arxiv.2207.04693,
title = {Exploring Contextual Relationships for Cervical Abnormal Cell Detection},
author = {Yixiong Liang and Shuo Feng and Qing Liu and Hulin Kuang and Jianfeng Liu and Liyan Liao and Yun Du and Jianxin Wang},
journal= {arXiv preprint arXiv:2207.04693},
year = {2022}
}
备注
10 pages, 14 tables, and 3 figures