几何感知高斯先验与轴向注意力用于宫颈细胞学图像分类

准确的宫颈细胞学图像分类是自动化宫颈癌筛查的关键组成部分，从巴氏涂片图像中可靠识别正常、癌前和癌症相关的细胞模式可以提高筛查效率和诊断一致性。然而，这项任务仍然具有挑战性，因为宫颈细胞表现出复杂的形态、细微的类内变异和强烈的类间相似性。现有的基于卷积的模型能很好地捕获局部纹理，但建模长程关系的能力有限，而基于注意力的模型提供了更广泛的上下文，但往往缺乏明确的结构指导。为了解决这些局限性，我们提出了一个面向宫颈癌筛查的细胞学图像分析的几何感知分类框架，结合了从预训练的视觉-语言特征中学习的语义抽象和结构先验。该方法使用高斯专家模块从全局语义信息生成轴方向先验，捕获诸如细胞核排列和细胞空间组织等结构规律。这些先验被嵌入到轴向自注意力模块中，以沿水平和垂直方向调制相似度计算，改善长程依赖建模和结构敏感的特征交互。在Mendeley液基细胞学和SIPaKMeD数据集上的实验表明，所提出的方法在前者上达到了99.48%的准确率，在后者上达到了96.08%的准确率，并在召回率、精确率和整体分类性能上取得了均衡的提升。可视化分析进一步表明，学习到的先验突出了诊断相关的细胞区域，证明了所提出的框架作为宫颈细胞学筛查导向决策支持工具的潜力。