基于形态与表观卷积神经网络的宫颈细胞细粒度分类
计算机视觉与模式识别
2018-10-16 v1
摘要
将宫颈细胞细粒度分类为不同异常等级具有重大临床意义但仍极具挑战。与传统依赖手工或工程特征的方法相反，卷积神经网络（CNN）可基于自动学习的深度特征对宫颈细胞分类。然而，既往研究中的 CNN 未涉及细胞形态信息，且形态特征能否由 CNN 直接建模以分类宫颈细胞尚属未知。本文提出一种基于 CNN 的方法，将细胞图像表观与细胞形态结合用于巴氏涂片中宫颈细胞的分类。训练宫颈细胞数据集由粗略以细胞核为中心的适应性重采样图像块组成。几个在 ImageNet 数据集上预训练的 CNN 模型（AlexNet、GoogleNet、ResNet 和 DenseNet）在宫颈数据集上微调以作比较。所提方法在 Herlev 宫颈数据集上按患者级别划分采用五折交叉验证评估。结果表明，通过将细胞质与细胞核掩码作为原始形态信息加入基于表观的 CNN 学习，总体上可获得更高的分类准确率。四种 CNN 模型中，输入形态与表观信息的 GoogleNet 在二分类任务中取得 94.5% 的最高分类准确率，在七分类任务中取得 64.5%。我们的方法表明结合宫颈细胞形态与表观信息可改善分类性能，这对宫颈发育不良变化的早期诊断具有重要临床意义。
引用
@article{arxiv.1810.06058,
title = {Fine-Grained Classification of Cervical Cells Using Morphological and Appearance Based Convolutional Neural Networks},
author = {Haoming Lin and Yuyang Hu and Siping Chen and Jianhua Yao and Ling Zhang},
journal= {arXiv preprint arXiv:1810.06058},
year = {2018}
}
备注
7 pages, 4 figures